ICR-DETR：面向工业领域的无损检测模型

陈俊; 谢邦天; 梅育青; 范俊; 张艳波; 陈鹏

doi:10.37188/CJLCD.2026-0024

您当前的位置：

首页 >

文章列表页 >

ICR-DETR：面向工业领域的无损检测模型

图像处理 | 更新时间：2026-09-12

- ICR-DETR：面向工业领域的无损检测模型
- ICR-DETR： A lossless detection model for the industrial sector
- 液晶与显示 2026年41卷第4期页码：534-548
- 作者机构：
  
  1.中国长江电力股份有限公司，湖北宜昌 443004
  2.微特技术有限公司，湖北宜昌 443005
- 作者简介：
  
  陈俊，男，学士，高级工程师，2009年于武汉大学获得学士学位，主要研究方向为水电站起重设备运行维护管理、嵌入式系统。E-mail：chen_jun6@ctg.com.cn
  陈鹏，男，硕士，工程师，2023年于湖北工业大学获得硕士学位，主要研究方向为嵌入式系统、电气工程、计算机视觉。E-mail：zhb0213@126.com
- 基金信息：
  
  中国长江电力股份有限公司资助项目(Z222302037)
- DOI：10.37188/CJLCD.2026-0024
  中图分类号： TP391.4
- CSTR：32172.14.CJLCD.2026-0024
- 收稿：2026-03-03，
  
  修回：2026-03-19，
  
  纸质出版：2026-04-05
- 稿件说明：
移动端阅览
陈俊, 谢邦天, 梅育青, 等. ICR-DETR：面向工业领域的无损检测模型[J]. 液晶与显示, 2026,41(4):534-548.

CHEN Jun, XIE Bangtian, MEI Yuqing, et al. ICR-DETR： A lossless detection model for the industrial sector[J]. Chinese Journal of Liquid Crystals and Displays, 2026, 41(4): 534-548.
陈俊, 谢邦天, 梅育青, 等. ICR-DETR：面向工业领域的无损检测模型[J]. 液晶与显示, 2026,41(4):534-548. DOI： 10.37188/CJLCD.2026-0024. CSTR： 32172.14.CJLCD.2026-0024.

CHEN Jun, XIE Bangtian, MEI Yuqing, et al. ICR-DETR： A lossless detection model for the industrial sector[J]. Chinese Journal of Liquid Crystals and Displays, 2026, 41(4): 534-548. DOI： 10.37188/CJLCD.2026-0024. CSTR： 32172.14.CJLCD.2026-0024.

摘要

钢材表面缺陷的准确高效检测对工业质量控制至关重要。RT-DETR模型虽然在速度和精度之间提供了良好平衡，但在处理复杂、细粒度缺陷时，其固定的特征提取方式和检测精度仍存在局限。为此，本文提出一种基于RT-DETR的改进检测算法——ICR-DETR。首先，采用UniRepLKNet作为骨干网络，显著提升模型对金属表面特征的感知能力；其次，在颈部网络中引入LWN-CS模块，结合可学习小波变换与通道混洗机制，有效增强高频细节建模与特征融合能力；最后，设计Shape-WIoU损失函数，将WIoU的非单调样本加权机制与Shape-IoU融合，综合建模边界框的形状特征与尺度相关性，提升定位精度与鲁棒性。实验在公开的钢材表面缺陷数据集NEU-DET上展开，结果表明ICR-DETR在准确率、召回率与mAP方面分别达到77.92%、75.71%与78.42%，优于现有主流检测算法。此外，为验证模型泛化能力，还在自建的滑触线脱落数据集ICRFD以及重卡裂纹数据集FDMPI上进行了测试，验证了其在复杂工业环境下的实用性和鲁棒性。实验结果表明，所提ICR-DETR能有效支持复杂工业场景下的高精度缺陷检测任务。

Abstract

Accurate and efficient detection of steel surface defects is very important for industrial quality control. Although the RT-DETR model provides a good balance between speed and accuracy， its fixed feature extraction method and detection accuracy are still limited when dealing with complex and fine-grained defects. To this end， this paper proposes an improved detection algorithm based on RT-DETR-ICR-DETR. Firstly， UniRepLKNet is used as the backbone network to significantly improve the model’s perception of metal surface features. Secondly， the LWN-CS module is introduced into the neck network， which combines the learnable wavelet transform and channel shuffle mechanism to effectively enhance the high-frequency detail modeling and feature fusion capabilities. Finally， the Shape-WIoU loss function is designed， and the non-monotonic sample weighting mechanism of WIoU is fused with Shape-IoU to comprehensively model the shape feature and scale correlation of the bounding box， so as to improve the positioning accuracy and robustness. The experiment is carried out on the open steel surface defect dataset NEU-DET. The results show that ICR-DETR achieves 77.92% precision， 75.71% recall and 78.42% mAP， which is superior to the existing mainstream detection algorithms. In addition， in order to verify the generalization ability of the model， we conduct tests on the self-built sliding contact line shedding dataset ICRFD and heavy truck crack dataset FDMPI to verify its practicability and robustness in complex industrial environments. The experimental results show that the proposed ICR-DETR can effectively support high-precision defect detection tasks in complex industrial scenarios.

关键词

Keywords

references

HAN G R ， ERYILMAZ M ， GONCHAROV A ， et al . Deep learning-enhanced dual-mode multiplexed optical sensor for point-of-care diagnostics of cardiovascular diseases ［J］. Light： Science & Applications ， 2026 ， 15 （ 1 ）： 190 . doi: 10.1038/s41377-026-02275-9 http://dx.doi.org/10.1038/s41377-026-02275-9

JALALI B ， MACPHEE C . VEViD： vision enhancement via virtual diffraction and coherent detection ［J］. eLight ， 2022 ， 2 （ 1 ）： 24 . doi: 10.1186/s43593-022-00034-y http://dx.doi.org/10.1186/s43593-022-00034-y

KRIZHEVSKY A ， SUTSKEVER I ， HINTON G E . ImageNet classification with deep convolutional neural networks ［J］. Communications of the ACM ， 2017 ， 60 （ 6 ）： 84 - 90 . doi: 10.1145/3065386 http://dx.doi.org/10.1145/3065386

GIRSHICK R ， DONAHUE J ， DARRELL T ， et al . Rich feature hierarchies for accurate object detection and semantic segmentation ［C］// Proceedings of 2014 IEEE Conference on Computer Vision and Pattern Recognition . Columbus， OH， USA ： IEEE ， 2014 ： 580 - 587 . doi: 10.1109/cvpr.2014.81 http://dx.doi.org/10.1109/cvpr.2014.81

GIRSHICK R . Fast R-CNN ［C］// Proceedings of 2015 IEEE International Conference on Computer Vision （ICCV） . Santiago， Chile ： IEEE ， 2015 ： 1440 - 1448 . doi: 10.1109/iccv.2015.169 http://dx.doi.org/10.1109/iccv.2015.169

REN S Q ， HE K M ， GIRSHICK R ， et al . Faster R-CNN： towards real-time object detection with region proposal networks ［J］. IEEE Transactions on Pattern Analysis and Machine Intelligence ， 2017 ， 39 （ 6 ）： 1137 - 1149 . doi: 10.1109/tpami.2016.2577031 http://dx.doi.org/10.1109/tpami.2016.2577031

REDMON J ， DIVVALA S ， GIRSHICK R ， et al . You only look once： unified， real-time object detection ［C］// Proceedings of 2016 IEEE Conference on Computer Vision and Pattern Recognition （CVPR） . Las Vegas， NV， USA ： IEEE ， 2016 ： 779 - 788 . doi: 10.1109/cvpr.2016.91 http://dx.doi.org/10.1109/cvpr.2016.91

LIU W ， ANGUELOV D ， ERHAN D ， et al . SSD： single shot MultiBox detector ［C］// Proceedings of the 14th European Conference on Computer Vision . Amsterdam ： Springer International Publishing ， 2016 ： 21 - 37 . doi: 10.1007/978-3-319-46448-0_2 http://dx.doi.org/10.1007/978-3-319-46448-0_2

CARION N ， MASSA F ， SYNNAEVE G ， et al . End-to-end object detection with transformers ［C］// Proceedings of the 16th European Conference on Computer Vision . Glasgow ： Springer International Publishing ， 2020 ： 213 - 229 . doi: 10.1007/978-3-030-58452-8_13 http://dx.doi.org/10.1007/978-3-030-58452-8_13

DOSOVITSKIY A ， BEYER L ， KOLESNIKOV A ， et al . An image is worth 16×16 words： transformers for image recognition at scale ［C］// Proceedings of the 9th International Conference on Learning Representations . Online ： OpenReview.net ， 2021 .

ZHAO Y A ， LV W Y ， XU S L ， et al . DETRs beat YOLOs on real-time object detection ［C］// Proceedings of 2024 IEEE/CVF Conference on Computer Vision and Pattern Recognition （CVPR） . Seattle， WA， USA ： IEEE ， 2024 ： 16965 - 16974 . doi: 10.1109/cvpr52733.2024.01605 http://dx.doi.org/10.1109/cvpr52733.2024.01605

LECUN Y ， BOTTOU L ， BENGIO Y ， et al . Gradient-based learning applied to document recognition ［J］. Proceedings of the IEEE ， 1998 ， 86 （ 11 ）： 2278 - 2324 . doi: 10.1109/5.726791 http://dx.doi.org/10.1109/5.726791

林珊玲，彭雪玲，王栋，等 . 多尺度增强特征融合的钢表面缺陷目标检测［J］. 光学精密工程， 2024 ， 32 （ 7 ）： 1075 - 1086 ． doi: 10.37188/ope.20243207.1075 http://dx.doi.org/10.37188/ope.20243207.1075

LIN S L ， PENG X L ， WANG D ， et al . Object detection of steel surface defect based on multi-scale enhanced feature fusion ［J］. Optics and Precision Engineering ， 2024 ， 32 （ 7 ）： 1075 - 1086 . （in Chinese） . doi: 10.37188/ope.20243207.1075 http://dx.doi.org/10.37188/ope.20243207.1075

梁礼明，龙鹏威，冯耀，等 . 改进轻量化VTG-YOLOv7-tiny的钢材表面缺陷检测［J］. 光学精密工程， 2024 ， 32 （ 8 ）： 1227 - 1240 ． doi: 10.37188/ope.20243208.1227 http://dx.doi.org/10.37188/ope.20243208.1227

LIANG L M ， LONG P W ， FENG Y ， et al . Improving the lightweight VTG-YOLOv7-tiny for steel surface defect detection ［J］. Optics and Precision Engineering ， 2024 ， 32 （ 8 ）： 1227 - 1240 . （in Chinese） . doi: 10.37188/ope.20243208.1227 http://dx.doi.org/10.37188/ope.20243208.1227

乔健，陈能达，伍雁雄，等 . 融合注意力机制的金属锅圆柱表面缺陷检测［J］. 光学精密工程， 2023 ， 31 （ 3 ）： 404 - 416 ． doi: 10.37188/OPE.20233103.0404 http://dx.doi.org/10.37188/OPE.20233103.0404

QIAO J ， CHEN N D ， WU Y X ， et al . Defect detection of cylindrical surface of metal pot combining attention mechanism ［J］. Optics and Precision Engineering ， 2023 ， 31 （ 3 ）： 404 - 416 . （in Chinese） . doi: 10.37188/OPE.20233103.0404 http://dx.doi.org/10.37188/OPE.20233103.0404

杨彦萍，高军伟，刘兆龙，等 . 基于改进YOLO11的印刷电路板表面缺陷检测算法［J］. 液晶与显示， 2025 ， 40 （ 10 ）： 1545 - 1556 ． doi: 10.37188/cjlcd.2025-0137 http://dx.doi.org/10.37188/cjlcd.2025-0137

YANG Y P ， GAO J W ， LIU Z L ， et al . Surface defect detection on printed circuit boards based on improved YOLO11 ［J］. Chinese Journal of Liquid Crystals and Displays ， 2025 ， 40 （ 10 ）： 1545 - 1556 . （in Chinese） . doi: 10.37188/cjlcd.2025-0137 http://dx.doi.org/10.37188/cjlcd.2025-0137

陈顺龙，廖映华，林峰，等 . 基于改进YOLOv8n的液晶屏Mura缺陷检测［J］. 液晶与显示， 2025 ， 40 （ 3 ）： 439 - 447 ． doi: 10.37188/cjlcd.2024-0295 http://dx.doi.org/10.37188/cjlcd.2024-0295

CHEN S L ， LIAO Y H ， LIN F ， et al . Mura defect detection of LCD screen based on improved YOLOv8n ［J］. Chinese Journal of Liquid Crystals and Displays ， 2025 ， 40 （ 3 ）： 439 - 447 . （in Chinese） . doi: 10.37188/cjlcd.2024-0295 http://dx.doi.org/10.37188/cjlcd.2024-0295

ZHANG Y Z ， WANG W J ， LI Z M ， et al . Development of a cross-scale weighted feature fusion network for hot-rolled steel surface defect detection ［J］. Engineering Applications of Artificial Intelligence ， 2023 ， 117 ： 105628 .

LIU R Q ， HUANG M ， GAO Z M ， et al . MSC-DNet： an efficient detector with multi-scale context for defect detection on strip steel surface ［J］. Measurement ， 2023 ， 209 ： 112467 . doi: 10.1016/j.measurement.2023.112467 http://dx.doi.org/10.1016/j.measurement.2023.112467

ZENG Q T ， WEI D B ， ZOU M H . Rtsds： a real-time and efficient method for detecting surface defects in strip steel ［J］. Journal of Real-Time Image Processing ， 2024 ， 21 （ 4 ）： 117 . doi: 10.1007/s11554-024-01497-7 http://dx.doi.org/10.1007/s11554-024-01497-7

DING X H ， ZHANG Y Y ， GE Y X ， et al . UniRepLKNet： a universal perception large-kernel ConvNet for audio， video， point cloud， time-series and image recognition ［C］// Proceedings of 2024 IEEE/CVF Conference on Computer Vision and Pattern Recognition （CVPR） . Seattle， WA， USA ： IEEE ， 2024 ： 5513 - 5524 . doi: 10.1109/cvpr52733.2024.00527 http://dx.doi.org/10.1109/cvpr52733.2024.00527

DING X H ， ZHANG X Y ， HAN J G ， et al . Scaling up your kernels to 31×31： revisiting large kernel design in CNNs ［C］// Proceedings of 2022 IEEE/CVF Conference on Computer Vision and Pattern Recognition （CVPR） . New Orleans， LA， USA ： IEEE ， 2022 ： 11953 - 11965 . doi: 10.1109/cvpr52688.2022.01166 http://dx.doi.org/10.1109/cvpr52688.2022.01166

GAO X ， QIU T H ， ZHANG X Y ， et al . Efficient multi-scale network with learnable discrete wavelet transform for blind motion deblurring ［C］// Proceedings of 2024 IEEE/CVF Conference on Computer Vision and Pattern Recognition （CVPR） . Seattle， WA， USA ： IEEE ， 2024 ： 2733 - 2742 . doi: 10.1109/cvpr52733.2024.00264 http://dx.doi.org/10.1109/cvpr52733.2024.00264

ZHANG H ， ZHANG S J . Shape-IoU： more accurate metric considering bounding box shape and scale ［J/OL］. arXiv ， 2023 ： 2312 . 17663 . doi: 10.1016/j.neucom.2022.07.042 http://dx.doi.org/10.1016/j.neucom.2022.07.042

TONG Z J ， CHEN Y H ， XU Z W ， et al . Wise-IoU： bounding box regression loss with dynamic focusing mechanism ［J/OL］. arXiv ， 2023 ： 2301 . 10051 .

SONG K C ， YAN Y H . A noise robust method based on completed local binary patterns for hot-rolled steel strip surface defects ［J］. Applied Surface Science ， 2013 ， 285 ： 858 - 864 . doi: 10.1016/j.apsusc.2013.09.002 http://dx.doi.org/10.1016/j.apsusc.2013.09.002

游紫绒，梁志剑 . 基于YOLOv8-CEW的钢材表面缺陷检测方法研究［J/OL］. 电子测量技术， 2026 ： 1 - 16 ［ 2026-03-20 ］． https：//link.cnki.net/urlid/11.2175.tn.20260319.1651.008 https://link.cnki.net/urlid/11.2175.tn.20260319.1651.008 . doi: 10.1109/icaace69793.2026.11509134 http://dx.doi.org/10.1109/icaace69793.2026.11509134

YOU Z R ， LIANG Z J . Research on steel surface defect detection method based on YOLOv8-CEW ［J/OL］. Electronic Measurement Technology ， 2026 ： 1 - 16 ［ 2026-03-20 ］. https：//link.cnki.net/urlid/11.2175.tn.20260319. 1651.008 https://link.cnki.net/urlid/11.2175.tn.20260319.1651.008 . （in Chinese） . doi: 10.1109/icaace69793.2026.11509134 http://dx.doi.org/10.1109/icaace69793.2026.11509134

周得辉，赵军，程进峰 . 基于RT-DETR的轴承表面微小缺陷检测算法［J］. 计算机应用， 2025 ， 45 （ 6 ）： 1987 - 1997 ． doi: 10.11772/j.issn.1001-9081.2024050691 http://dx.doi.org/10.11772/j.issn.1001-9081.2024050691

ZHOU D H ， ZHAO J ， CHENG J F . Tiny defect detection algorithm for bearing surface based on RT-DETR ［J］. Journal of Computer Applications ， 2025 ， 45 （ 6 ）： 1987 - 1997 . （in Chinese） . doi: 10.11772/j.issn.1001-9081.2024050691 http://dx.doi.org/10.11772/j.issn.1001-9081.2024050691

浏览量

279

下载量

CSCD

文章被引用时，请邮件提醒。

提交

工具集

关联资源

FFD-YOLO：面向小目标与复杂背景的液晶屏缺陷检测

基于改进RT-DETR的夜间低光照行人检测算法

基于改进RT-DETR的PCBA管脚焊点缺陷检测方法

基于改进YOLOv7的小目标焊点缺陷检测算法

基于挠曲电效应的场致双模式液晶切换光栅