基于YOLOv8s的复杂纹理织物缺陷轻量化高精度检测OA

针对纺织工业中织物缺陷检测因缺陷尺度微小、强纹理干扰以及形态复杂多变而面临的挑战,提出一种基于YOLOv8s框架的改进轻量化高精度检测模型(YOLOv8s-WRHU),提升了复杂纹理织物缺陷检测的稳定性与定位准确性。为解决多尺度特征融合中信息丢失及权重分配固定问题,设计可学习加权特征拼接模块,并构建基于该模块的加权特征金字塔网络,使模型能够自适应融合不同层次特征。在主干网络前端引入Haar小波下采样替代传统方法,以减少下采样过程中的高频细节损失。最后,采用动态加权统一交并比损失函数,提高边界框回归精度。通过改进颈部多尺度融合与浅层下采样模块,有效降低了模型参数量和计算复杂度。在Roboflow公开织物缺陷数据集上的实验结果表明,与YOLOv8s相比,本模型的准确率、mAP和召回率分别提升2.9%,3.4%和1.1%,参数量降低约24.37%,计算量减少4.4 G,在保持高精度的同时显著提升了推理效率。该模型平衡了检测精度与模型复杂度,具备工业应用潜力。