一、本文介绍🔥本文给大家介绍使用TexMS-YOLO中的TAFF纹理感知特征融合模块改进YOLO26网络模型，增强模型对复杂纹理目标和细微缺陷目标的识别能力。TAFF 通过可学习的 Gabor 纹理滤波提取不同尺度、不同方向的纹理特征，并结合自适应高频滤波增强目标边缘、局部突变和细节信息，使 YOLO26 不再只依赖常规空间卷积特征，而是能够同时感知空间结构与频率纹理变化。这样可以有效缓解低对比度、小目标、边界模糊以及复杂背景干扰带来的漏检和误检问题，尤其适用于工业表面缺陷、细长裂纹、划痕、斑点等纹理相关目标检测场景。🔥欢迎订阅我的专栏、带你学习使用最新-最前沿-独家YOLO26创新改进！🔥YOLO26专栏改进目录：全新YOLO26改进专栏包含卷积、主干网络、各种注意力机制、检测头、损失函数、Neck改进、小目标检测、二次创新模块、多种组合创新改进、全网独家创新等创新点改进全新YOLO26专栏订阅链接：全新YOLO26创新改进高效涨点+永久更新中（至少500+改进）+高效跑实验发论文本文目录一、本文介绍二、TAFF纹理感知特征融合模块介绍2.1 TAFF纹理感知特征融合模块结构图2.2TAFF模块的作用：2.3 TAFF模块的原理2.4TAFF模块的优势三、完整核心代码四、手把手教你配置模块和修改tasks.py文件1.首先在ultralytics/nn/newsAddmodules创建一个.py文件2.在ultralytics/nn/newsAddmodules/__init__.py中引用3.修改tasks.py文件五、创建涨点yaml配置文件🚀创新改进1🔥: yolo26_TAFF.yaml🚀创新改进2🔥: yolo26_TAFF-2.yaml🚀创新改进3🔥: yolo26_TAFF-3.yaml六、正常运行二、TAFF纹理感知特征融合模块介绍摘要：尽管纹理特征本身蕴含丰富的上下文与结构信息，但在主流表面缺陷检测任务中却鲜少被明确考虑。在工业场景中，缺陷与复杂背景纹理之间的低对比度严重阻碍了精准定位与识别，导致难以有效建模多尺度纹理及精细细节，最终降低检测精度。为解决这些问题，我们提出了一种新型的深度纹理探索与多尺度交互网络（TexMS-YOLO），专门用于提升基于纹理感知和尺度敏感性的缺陷检测能力。首先，我们开发了纹理感知特征融合（TAFF）模块，该模块能够在空间域和频率域融合高分辨率与低分辨率特征；通过自适应参数优化， TAFF 能高效提取多尺度下的判别性纹理表征，从而增强模型对纹理相关缺陷特征的敏感度；同时引入可学习的高通滤波机制以保留边缘结构及识别细微缺陷所需的精细细节变化；此外，我们还设计了多尺度交互（MSI）模块，利用门控单元和空间自适应结构动态选择与尺度相关的特征；通过自下而上的信息聚合路径整合通道中的局部与全局线索，显著提升了对尺度变化缺陷的检测能力。最后，为缓解传统金字塔框架中的语义不一致性，我