Ante los problemas de detección planteados por los complejos fondos de textura textil, diferentes tamaños y tipos de defectos, las redes de detección de objetos comúnmente utilizadas tienen limitaciones en el manejo de tamaños de objetivo. Además, su estabilidad y capacidades antijamming son relativamente débiles. Por lo tanto, cuando los tipos de objetivo son más diversos, es probable que ocurran falsas detecciones o detecciones perdidas. Para cumplir con los estrictos requisitos de detección de defectos textiles, proponemos un novedoso método de detección de defectos textiles basado en AC-YOLOv5. Este método considera completamente las propiedades ópticas, distribución de texturas, propiedades de imagen y requisitos de detección específicos de los textiles. Primero, se introduce el módulo de Atrous Spatial Pyramid Pooling (ASPP) en la red de base YOLOv5, y el mapa de características se agrupa utilizando núcleos de convolución con diferentes tasas de expansión. Se obtiene información de características de múltiples escalas de mapas de características de diferentes campos receptivos, lo que mejora la detección de defectos de diferentes tamaños sin cambiar la resolución de la imagen de entrada. En segundo lugar, se propone un módulo de atención de canal de convolución squeeze-and-excitation (CSE), y se introduce el módulo CSE en la red de base YOLOv5. Los pesos de cada canal de características se obtienen a través del autoaprendizaje para mejorar aún más la detección de defectos y la capacidad antijamming. Finalmente, se recopilaron una gran cantidad de imágenes de tejidos utilizando un sistema de inspección construido en una máquina de tejer circular en un sitio industrial, y se realizaron una gran cantidad de experimentos utilizando un conjunto de datos de defectos de tejido autoconstruido. Los resultados experimentales mostraron que AC-YOLOv5 puede lograr una precisión de detección global del 99.1% para conjuntos de datos de defectos de tejido, satisfaciendo los requisitos para aplicaciones en áreas industriales.