Para mejorar la precisión de la detección de fijaciones ferroviarias y desplegar modelos de aprendizaje profundo en plataformas móviles para una inferencia rápida en tiempo real, este documento propone un modelo de detección de defectos para fijaciones ferroviarias basado en un YOLOv8n mejorado. Considerando las diferencias significativas en la relación de aspecto de las fijaciones ferroviarias, diseñamos el EIOU como función de pérdida de caja de regresión. El modelo se comprime y se entrena utilizando un enfoque de destilación de conocimiento a nivel de canal mejorado (CWD) para abordar el desafío de reconocer con precisión defectos menores en fijaciones ferroviarias. Introdujimos un módulo de extracción de características para diseñar una red de extracción de características como modelo docente de destilación (YOLOv8n-T) y un ligero cuello de botella parcial entre etapas con dos convoluciones y un módulo de fusión (C2f) para mejorar la red principal YOLOv8n como modelo estudiantil de destilación (YOLOv8n-S). Los experimentos realizados en datos recopilados de líneas ferroviarias reales demuestran que después del entrenamiento de destilación CWD, la precisión media del modelo (IOU = 0.5) alcanzó el 96.3%, una mejora del 2.7% sobre el algoritmo YOLOv8n original. La tasa de recuperación aumentó en un 4.5%, la precisión en un 2.7%, el número de operaciones de punto flotante disminuyó en un 13%, y la velocidad de cuadros de detección por segundo (FPS) aumentó en 6.1 cuadros por segundo. En comparación con otros algoritmos de detección de objetos de una etapa, el modelo destilado por CWD logra la detección precisa en tiempo real de las condiciones de las fijaciones ferroviarias.