针对边缘场景下缺陷检测算法在检测质量、轻量化和实时性之间难以兼顾的问题，本文提出一种准确度较高、实时性较好且模型复杂性较低的YOLO-RFD缺陷检测算法，首先设计下采样通道增强模块，解决标准卷积下采样所带来的模型参数开销分配不合理的问题；其次采用基于优化多边距离的Powerful-IoU损失，解决训练过程中特定纵横比下无法正常引导回归等诸多问题；然后对改进后的模型进行DepGraph剪枝，处理C2f模块多分支流设计产生的冗余特征进一步降低模型的复杂度；最后在轨道缺陷扣件数据集进行实验对比，结果表明YOLO-RFD模型参数量和浮点计算量仅为1.24M和3.7G，分别降低了58.8%和54.3%，同时mAP50值、mAP50-95值和召回率分别提升至96.3%、88.3%和93.5%。该算法FPS达到109.9帧/s，充分满足了边缘环境下对轨道扣件缺陷检测的轻量级、实时性和检测质量需求。此外在东北大学钢轨缺陷数据集和VOC数据集中进行泛化性实验，实验结果优于现有主流目标检测方法，可为其他缺陷检测提供一种轻量级方法参考。
