El fósforo en vidrio (PiG) es fácil de mezclar de manera desigual durante la producción y procesamiento, y el uso inadecuado de instrumentos y otros factores llevan a productos defectuosos. En este documento, proponemos un algoritmo de detección de objetivos YOLOv5 mejorado. Primero, se introduce la Atención de Coordenadas (CA) en la red principal para permitir que la red detecte objetivos en un rango más amplio. En segundo lugar, se utiliza la Red Piramidal de Características Bidireccionales (BiFPN) para fusionar información de diferentes escalas en la parte del cuello y obtener un mapa de características de salida con información semántica rica. Al mismo tiempo, la estructura piramidal de fusión de características bidireccionales ajusta la contribución de diferentes mapas de características de entrada de escala a la salida mediante la introducción de pesos. Esta optimización mejora el efecto de fusión de características, reduce la pérdida de información de características en el proceso de convolución y mejora la precisión de detección. Luego, la función de pérdida GIOU_Loss se reemplaza por la función de pérdida EIOU_Loss para acelerar la convergencia. Finalmente, se realiza el experimento comparativo con el conjunto de datos PiG hecho por nosotros mismos. Los resultados experimentales muestran que la precisión promedio mAP de este método es un 12,35% mayor que la del método original (YOLOv5s), con una velocidad de detección de 53,92 FPS, alineándose con las necesidades reales de la detección industrial.