Die genaue und effiziente Erkennung von Oberflächenfehlern bei Stahl ist entscheidend für die industrielle Qualitätskontrolle. Obwohl das RT-DETR-Modell ein gutes Gleichgewicht zwischen Geschwindigkeit und Genauigkeit bietet, bestehen bei der Verarbeitung komplexer, feinkörniger Fehler Einschränkungen aufgrund der festen Merkmalsextraktionsmethode und der Detektionsgenauigkeit. Daher schlägt dieser Artikel einen verbesserten Erkennungsalgorithmus auf Basis von RT-DETR vor – ICR-DETR. Zunächst wird UniRepLKNet als Rückgratnetzwerk verwendet, wodurch die Fähigkeit des Modells zur Erkennung von Metalloberflächenmerkmalen deutlich verbessert wird; zweitens wird im Halsnetzwerk das LWN-CS-Modul eingeführt, welches die lernbare Wavelet-Transformation mit dem Kanal-Mischmechanismus kombiniert, um die Hochfrequenz-Detailmodellierung und Merkmalsfusion effektiv zu verstärken; schließlich wird die Verlustfunktion Shape-WIoU entworfen, die den nichtmonotonen Stichproben-Gewichtungsmechanismus von WIoU mit Shape-IoU integriert und so die Formmerkmale und Skalenkorrelationen des Begrenzungsrahmens umfassend modelliert, um die Lokalisierungsgenauigkeit und Robustheit zu verbessern. Experimente wurden auf dem öffentlichen Datensatz für Stahloberflächenfehler NEU-DET durchgeführt; die Ergebnisse zeigen, dass ICR-DETR eine Genauigkeit von 77,92 %, eine Rückrufrate von 75,71 % und eine mAP von 78,42 % erreichte und damit bestehende gängige Erkennungsalgorithmen übertraf. Außerdem wurde zur Überprüfung der Generalisierungsfähigkeit des Modells auf selbst erstellten Datensätzen für das Abrutschen der Gleitschienen ICRFD sowie für LKW-Risse FDMPI getestet, was die Praxistauglichkeit und Robustheit in komplexen industriellen Umgebungen bestätigte. Die Ergebnisse zeigen, dass das vorgeschlagene ICR-DETR die Aufgaben der hochpräzisen Fehlererkennung in komplexen industriellen Szenarien effektiv unterstützt.

Fehlererkennung;RT-DETR;Gleitschiene;Shape-IoU;NEU-DET