针对木材加工业自动化生产场景中传统缺陷检测方法适应性不足的瓶颈问题，开展基于深度学习的智能检测技术研究，构建涵盖多树种特征及典型缺陷类型的数据集。将目标检测技术用于缺陷检测，利用膨胀感知残差（dilation wise residual,DWR）模块优化C2f模块，并提出任务对齐动态检测头（task aligned dynamic detection head,TADDH）和特征聚焦扩散金字塔网络（focusing spread pyramid network,FSPN），用于改进YOLOv8算法（DFT-YOLO）。试验结果显示，经过改进的模型在精度上取得显著提升，达到了96.8%，相较于原始模型提高7.9%；在关键评价指标平均精度mAP50和mAP50-95上，改进后的模型分别达到93.8%和75.2%，分别提高了6.8%和17.5%；在提高检测精度的同时，模型的参数量减少了约1/6 (16.2%)。改进的模型能够为木材缺陷的检测提供一种轻量化的检测方法。