Las redes de aprendizaje profundo han mostrado un excelente rendimiento en el reconocimiento de defectos en la superficie y clasificación de ciertos productos industriales. Sin embargo, la mayoría de las muestras de defectos en productos industriales son escasas y tienen una amplia variedad de tipos de defectos, lo que hace que los métodos que requieren un gran número de muestras de defectos para el entrenamiento no sean adecuados. En este documento, se propone una red ligera de detección de defectos en la superficie (LRN-L) basada en el análisis de la complejidad de textura. Solo se necesitan un gran número de muestras sin defectos, que se pueden obtener fácilmente, para detectar defectos. LRN-L incluye dos etapas: etapa de reconstrucción de textura y etapa de localización de defectos. En la fase de reconstrucción de textura, se diseña una red de reconstrucción ligera (LRN) basada en un autoencoder convolucional, que puede reconstruir imágenes de textura sin defectos; se propone una función de pérdida que combina pérdida estructural y pérdida L1 para mejorar el efecto de detección; construimos un modelo de cálculo para la complejidad de la imagen, calculamos la complejidad de textura para las muestras de textura y dividimos las texturas en tres niveles según la complejidad. En la etapa de localización de defectos, se toma el residuo entre la imagen reconstruida y la imagen original como la región posible del defecto, y la localización del defecto se realiza a través de un algoritmo de segmentación. En este documento, se analizan en detalle la estructura de la red, la función de pérdida, la complejidad de textura y otros factores de LRN-L y se comparan con otros algoritmos similares en múltiples conjuntos de datos de textura. Los resultados muestran que LRN-L tiene una fuerte robustez, precisión y capacidad de generalización, y es más adecuado para la detección en línea industrial.