Para enfrentar os desafios da detecção de defeitos em tecidos na indústria têxtil, devido à pequena escala dos defeitos, forte interferência de textura e formas complexas e variadas, propõe-se um modelo de detecção aprimorado, leve e de alta precisão baseado na estrutura YOLOv8s (YOLOv8s-WRHU), que melhora a estabilidade e a precisão do posicionamento de defeitos em tecidos com texturas complexas. Para resolver a perda de informação e o problema de atribuição fixa de pesos na fusão de características em múltiplas escalas, projetou-se um módulo de concatenação de características ponderado e aprendível, e construiu-se uma rede piramidal de características ponderadas baseada nesse módulo, permitindo que o modelo fusione adaptativamente características de diferentes níveis. Na parte dianteira da rede principal, foi introduzida a amostragem por wavelet Haar para substituir os métodos tradicionais, reduzindo a perda de detalhes de alta frequência durante o subamostragem. Finalmente, foi adotada uma função de perda unificada de interseção sobre união ponderada dinâmica para melhorar a precisão da regressão da caixa delimitadora. Através da melhoria da fusão multiescala no pescoço e do módulo de subamostragem superficial, o número de parâmetros do modelo e a complexidade computacional foram efetivamente reduzidos. Resultados experimentais no conjunto de dados aberto de defeitos de tecidos Roboflow mostram que, em comparação com o YOLOv8s, a precisão, mAP e taxa de recall do modelo aumentaram 2,9%, 3,4% e 1,1% respectivamente, o número de parâmetros foi reduzido em aproximadamente 24,37% e a carga computacional diminuiu 4,4 G, melhorando significativamente a eficiência de inferência mantendo alta precisão. Este modelo equilibra a precisão da detecção e a complexidade do modelo, possuindo potencial para aplicações industriais.

Detecção de defeitos; YOLOv8s leve; Rede piramidal de características ponderadas; Amostragem por wavelet Haar; Função de perda unificada de interseção sobre união