在工业场景无线射频识别（RFID）实时缺陷检测任务中，为了保证检测精度以及速度常采用YOLO这类深度学习目标检测算法，然而这些算法仍然难以满足工业检测中的速度要求，且无法将相应的网络模型部署到资源受限的设备上。针对以上问题，需要对YOLO模型进行剪枝压缩，提出了一种基于秩信息的特征信息丰富性和特征信息多样性加权融合的新型网络剪枝方法。首先，加载未剪枝模型进行推理，并在前向传播中获取滤波器对应特征图的秩信息来衡量特征信息丰富性；然后，根据不同大小的剪枝率对秩信息进行聚类或者相似度计算来衡量特征信息的多样性；最后，加权融合得到对应滤波器的重要性程度并对其进行排序后，剪除重要性排序靠后的滤波器。实验结果表明，对于YOLOv4，在剪枝率为28.87%且特征信息丰富性权重为0.75的情况下，所提方法相较于单一使用特征图秩信息的方法提高了2.6%~8.9%的平均精度均值（mAP），所提方法剪枝后的模型甚至相较于未剪枝模型提高了0.4%的mAP并减少了35.0%的模型参数，表明该方法有利于模型部署。

针对硬币表面缺陷较小、形状多变且易与背景混淆而不易检出的问题，改进YOLOv3算法并提出基于可变形卷积和自适应空间特征融合的硬币表面缺陷检测算法DCA-YOLO。首先，由于缺陷形状的多变设计了3种在主干网络中不同位置添加可变形卷积模块的网络结构，通过卷积学习偏移量和调节参数来提高缺陷的提取能力；然后，使用自适应空间特征融合网络学习权重参数来调整不同尺度特征图中各像素点的贡献度以更好地适应不同尺度的目标；最后，改进先验锚框比例，动态调节类别权重，优化并对比网络性能，从而提出在主干网络输出特征进行多尺度融合的上采样前增加可变形卷积的模型网络。实验结果表明，在硬币缺陷数据集上，DCA-YOLO算法检测平均精度均值（mAP）接近于Faster-RCNN，达到了92.8%；而相较于YOLOv3，所提算法的检测速度基本持平，在检测mAP上提高了3.3个百分点，F1分数提升了3.2个百分点。