La detección de defectos industriales tiene una gran importancia en la mejora de la calidad del producto, y los métodos de aprendizaje profundo son ahora el enfoque dominante. Sin embargo, el volumen de productos industriales es enorme y los detectores convencionales no pueden mantener una alta tasa de precisión durante la detección rápida. Para abordar los problemas anteriores, este documento propone AMFF-YOLOX, un detector de defectos industriales mejorado basado en YOLOX. El método propuesto puede reducir la función de activación y la operación de normalización del cuello de botella en la red principal, y agregar un mecanismo de atención y fusión de características espaciales adaptativas dentro de la red de extracción de características para permitir que la red se enfoque mejor en el objeto. En última instancia, la precisión de la predicción se mejora sin una pérdida excesiva de velocidad en la predicción de la red, con un rendimiento competitivo en comparación con los detectores convencionales. Los experimentos muestran que el método propuesto en este documento logra un 61.06% (85.00%) mAP@0.5:0.95 (mAP@0.5) en el conjunto de datos NRSD-MN, se logra un 51.58% (91.09%) en el conjunto de datos PCB, y se logra un 49.08% (80.48%) en el conjunto de datos NEU-DET. Un gran número de experimentos de comparación y ablación validan la efectividad y competitividad del modelo en escenarios de detección de defectos industriales.