针对钢筋绑扎机器人目标检测算法在识别绑扎点时存在准确度低和检测慢等问题,提出了一种基于YOLOv5改进的钢筋网绑扎点目标检测方法FNB-YOLOv5.首先,通过采集钢筋网交叉点制作数据集;然后,在YOLOv5网络中引入FasterNet轻量化主干网络,增强特征信息提取能力,降低网络复杂度;其次,在网络关键部位引入BiFormer注意力机制,提高特征提取的准确性;考虑到检测任务中小尺寸目标占多数,采用归一化高斯Wasserstein距离(NWD)作为损失函数归一化处理,优化检测绑扎点位置的精度;最后,设计一种改进的广义特征金字塔网络(F-GFPN)特征融合模块,通过添加跳跃连接和跨尺度连接,增强特征交互,提升计算性能.通过不同模型对比实验得出,该模型的精确率、召回率和平均精度均值分别为99.82%、99.10%和98.64%,比原模型分别增长了2.9个百分点、1.53个百分点和1.63个百分点;每秒检测帧数(FPS)达到44.8 帧/s,比原模型增加4.1 帧/s,同时权重模型大小减小了2.93 MB.实验结果表明,改进的FNB-YOLOv5模型在钢筋网绑扎点数据集上,具有更高的准确性和实时性,为建筑施工行业研发钢筋绑扎机器人提供了有力的技术支持.