针对工业生产现场金属表面缺陷检测中，人工目视检测效率低下、漏检率偏高，且存在缺陷尺度跨度大、现场计算资源受限等实际问题，本研究提出一种轻量化ASSM-YOLO算法，通过设计AS特征提取结构，融合自适应深度特征增强模块与SimAM无参注意力机制，有效提升模型对跨尺度、复杂形态缺陷特征的捕获能力；构建基于VoV-GSCSP架构的Slim-Neck轻量化颈部网络，显著降低模型参数量与计算复杂度，适配工业现场资源约束场景；提出MPDSIoU回归损失函数，综合考量匹配对距离、形状距离及形状损失，进一步提高对不规则边界缺陷的定位精度。实验结果表明，所提ASSM-YOLO模型的平均精度均值（mAP50）达80.00%，参数量优化至5.46M，推理速度可达197.55 FPS，经边缘端部署验证，模型运行效果良好，能够实现检测精度、模型轻量化与推理实时性的三者兼顾，具备较高的工程应用价值与推广前景。

故障诊断；表面缺陷检测； 轻量化网络；