Die präzise und effiziente Erkennung von Stahloberflächenfehlern ist für die industrielle Qualitätskontrolle von entscheidender Bedeutung. Obwohl das RT-DETR-Modell ein gutes Gleichgewicht zwischen Geschwindigkeit und Genauigkeit bietet, gibt es bei der Verarbeitung komplexer und feinkörniger Fehler Einschränkungen durch die feste Merkmalsextraktionsmethode und die Erkennungsgenauigkeit. Daher wird in diesem Artikel ein auf RT-DETR basierender verbesserter Erkennungsalgorithmus namens ICR-DETR vorgeschlagen. Zunächst wird UniRepLKNet als Rückgratnetzwerk verwendet, um die Wahrnehmungsfähigkeit des Modells für Metalloberflächeneigenschaften deutlich zu verbessern; zweitens wird im Halsnetzwerk das LWN-CS-Modul eingeführt, das lernbare Wavelet-Transformationen mit einem Kanalvertauschungsmechanismus kombiniert, um die Modellierung hochfrequenter Details und die Merkmalsfusion effektiv zu stärken; schließlich wurde die Shape-WIoU-Verlustfunktion entworfen, die den nichtmonotonen Stichprobengewichtungsmechanismus von WIoU mit Shape-IoU kombiniert und umfassend die Formmerkmale und Skalenabhängigkeit des Begrenzungsrahmens modelliert, um die Lokalisierungsgenauigkeit und Robustheit zu verbessern. Die Experimente wurden am öffentlichen Datensatz NEU-DET für Stahloberflächenfehler durchgeführt, die Ergebnisse zeigen, dass ICR-DETR in Bezug auf Genauigkeit, Rückruf und mAP jeweils 77,92 %, 75,71 % und 78,42 % erreicht und damit bestehende führende Erkennungsalgorithmen übertrifft. Darüber hinaus wurde zur Überprüfung der Generalisierungsfähigkeit des Modells die Testung an den selbst erstellten Datensätzen für den Abriss der Schleifleiste ICRFD sowie Rissen bei schweren Lastwagen FDMPI durchgeführt, was die Praktikabilität und Robustheit in komplexen Industrieumgebungen bestätigt. Die Ergebnisse zeigen, dass das vorgeschlagene ICR-DETR effektiv hochpräzise Fehlererkennungsaufgaben in komplexen Industrieszenarien unterstützt.

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