섬유 산업에서 결함의 크기가 작고 강한 텍스처 간섭 및 복잡하고 다양한 형태로 인해 직물 결함 검출이 직면한 문제를 해결하기 위해, YOLOv8s 프레임워크 기반의 개선된 경량 고정밀 검출 모델(YOLOv8s-WRHU)을 제안하였으며, 복잡한 텍스처 직물 결함 검출의 안정성과 위치 정확도를 향상시켰다. 다중 스케일 특징 융합 시 정보 손실 및 고정 가중치 문제를 해결하기 위해 학습 가능한 가중 특징 연결 모듈을 설계하고, 이를 기반으로 한 가중 특징 피라미드 네트워크를 구축하여 모델이 서로 다른 수준의 특징을 적응적으로 융합할 수 있도록 하였다. 백본 네트워크 전단에 전통적 방법 대신 Haar 웨이브릿 다운샘플링을 도입하여 다운샘플링 과정에서 고주파 디테일 손실을 줄였다. 마지막으로 동적 가중 통합 교차 손실 함수를 채용하여 경계 박스 회귀 정밀도를 향상시켰다. 목 부위 다중 스케일 융합 및 얕은 다운샘플링 모듈을 개선하여 모델 파라미터 수와 계산 복잡도를 효과적으로 감소시켰다. Roboflow 공개 직물 결함 데이터셋에서의 실험 결과, YOLOv8s에 비해 본 모델은 정확도, mAP, 재현율이 각각 2.9%, 3.4%, 1.1% 향상되었고, 파라미터 수는 약 24.37% 감소하였으며, 계산량은 4.4G 감소하여 높은 정밀도를 유지하면서 추론 효율성을 크게 향상시켰다. 본 모델은 검출 정확도와 모델 복잡성의 균형을 이루며 산업 적용 가능성을 가진다.

결함 검출; 경량 YOLOv8s; 가중 특징 피라미드 네트워크; Haar 웨이브릿 샘플링; 통합 교차 손실 함수