織物の欠陥検出は、欠陥の微小なスケール、強いテクスチャ干渉、および複雑で多様な形態のために課題に直面している。これに対処するために、YOLOv8sフレームワークに基づく改良された軽量高精度検出モデル（YOLOv8s-WRHU）を提案し、複雑なテクスチャ織物欠陥検出の安定性と位置特定の正確性を向上させた。マルチスケール特徴融合における情報損失および固定重み分配問題を解決するために、学習可能な重み付き特徴連結モジュールを設計し、このモジュールに基づく重み付き特徴ピラミッドネットワークを構築し、モデルが異なる階層の特徴を適応的に融合できるようにした。バックボーンネットワークの前端にHaar小波ダウンサンプリングを導入し、従来の方法に代えてダウンサンプリング過程での高周波詳細の損失を削減した。最後に、動的重み付け統一交差率損失関数を採用し、境界ボックス回帰精度を向上させた。ネック部分のマルチスケール融合と浅いダウンサンプリングモジュールを改善することで、モデルのパラメータ数と計算複雑性を効果的に削減した。Roboflow公開織物欠陥データセットの実験結果は、YOLOv8sと比較して、本モデルの精度、mAP、および再現率がそれぞれ2.9％、3.4％、1.1％向上し、パラメータ数が約24.37％減少、計算量が4.4G減少し、高精度を維持しつつ推論効率を大幅に向上させた。本モデルは検出精度とモデルの複雑性のバランスを取り、産業応用の可能性を有する。

欠陥検出; 軽量YOLOv8s; 重み付き特徴ピラミッドネットワーク; Haar小波サンプリング; 統一交差率損失関数