En el proceso de producción de tejidos, diversos tipos de defectos afectan la calidad de un tejido. Sin embargo, debido a la amplia variedad de defectos en los tejidos, la complejidad de las texturas de los tejidos y la ocultación de pequeños defectos objetivo, los algoritmos actuales de detección de defectos en tejidos presentan problemas como una velocidad de detección lenta, baja precisión de detección y baja tasa de reconocimiento de pequeños defectos objetivo. Por lo tanto, el desarrollo de un sistema eficiente y preciso de detección de defectos en tejidos se ha convertido en un problema urgente que necesita ser abordado en la industria textil. Abordando los problemas mencionados anteriormente, este artículo propone un algoritmo mejorado YOLOv8n-LAW basado en el algoritmo YOLOv8n. En primer lugar, se añaden mecanismos de atención LSKNet a ambos extremos del módulo C2f en la red principal para proporcionar un área de contexto más amplia, mejorando la capacidad de extracción de características del algoritmo. A continuación, la estructura PAN-FPN de la red principal se reemplaza por la estructura AFPN, de modo que los diferentes niveles de características de los defectos estén más cerca de la información semántica en la fusión progresiva. Finalmente, la pérdida CIoU se reemplaza por la pérdida WIoU v3, lo que permite al modelo ajustar dinámicamente las ganancias de gradiente en función de las características de los defectos en los tejidos, centrándose eficazmente en distinguir entre regiones defectuosas y no defectuosas. Los resultados experimentales muestran que el algoritmo mejorado YOLOv8n-LAW logró una precisión del 97,4% y una velocidad de detección de 46 cuadros por segundo, al tiempo que aumentaba eficazmente la tasa de reconocimiento de pequeños defectos objetivo.