Los métodos de detección de defectos en superficies de productos industriales basados en aprendizaje profundo están reemplazando la inspección manual, mientras que el problema de la detección de objetos pequeños sigue siendo un desafío clave en el campo actual de la detección de defectos en superficies. Las estructuras de pirámide de características demuestran un gran potencial para mejorar el rendimiento de la detección de objetos pequeños y son una de las direcciones de investigación actuales más importantes. Sin embargo, las redes de pirámide de características tradicionales aún sufren problemas como la falta de enfoque preciso en características clave, capacidades de discriminación de características insuficientes y correlaciones débiles entre características. Para abordar estos problemas, este documento propone una red de pirámide de características guiada por enfoque plug-and-play, llamada GF-FPN. Construida sobre la base de FPN, esta red está diseñada con una red de agregación guiada de abajo hacia arriba (GFN): a través de un módulo de atención piramidal liviano (LPAM), operación estelar y conexiones residuales, establece correlaciones entre objetos e información contextual local, así como entre detalles de nivel superficial y características semánticas de nivel profundo. Esto permite que la red de pirámide de características se enfoque en características clave, mejore la capacidad de distinguir entre objetos y fondos, y así mejore el rendimiento del modelo en la detección de objetos pequeños. Los resultados experimentales en el conjunto de datos TinyIndus auto-construido y NEU-DET demuestran que el modelo de detección basado en GF-FPN exhibe ventajas competitivas más destacadas en la detección de objetos en comparación con los modelos existentes.