Die genaue 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, feinkörniger Defekte Einschränkungen aufgrund der festen Merkmalsextraktionsmethode und der Erkennungsgenauigkeit. Daher wird in diesem Artikel ein verbessertes Erkennungsalgorithmus basierend auf RT-DETR namens ICR-DETR vorgeschlagen. Zunächst wird UniRepLKNet als Rückgratnetzwerk verwendet, um die Wahrnehmungsfähigkeit des Modells für Metalloberflächeneigenschaften deutlich zu verbessern; zweitens wird im Neck-Netzwerk das LWN-CS-Modul eingeführt, das lernbare Wavelet-Transformationen mit Kanalmischmechanismen kombiniert, um die Modellierung hochfrequenter Details und die Merkmalsfusion effektiv zu verstärken; schließlich wird die Shape-WIoU-Verlustfunktion entwickelt, die den nichtmonotonen Stichprobengewichtungsmechanismus von WIoU mit Shape-IoU kombiniert, um umfassend Formmerkmale und skalenabhängige Korrelationen des Begrenzungsrahmens zu modellieren und die Lokalisierungsgenauigkeit und Robustheit zu verbessern. Die Experimente wurden mit dem öffentlichen Datensatz NEU-DET für Stahloberflächenfehler durchgeführt. Die Ergebnisse zeigen, dass ICR-DETR eine Genauigkeit von 77,92 %, eine Recall-Rate von 75,71 % und einen mAP von 78,42 % erreicht, was die derzeit führenden Erkennungsalgorithmen übertrifft. Darüber hinaus wurde zur Validierung der Generalisierungsfähigkeit des Modells auch auf den selbst erstellten Datensätzen ICRFD (Abrutschen der Gleitleitung) und FDMPI (Risse bei Schwerlastfahrzeugen) getestet, was die Praktikabilität und Robustheit in komplexen Industrieumgebungen bestätigt. Die Versuchsergebnisse zeigen, dass das vorgeschlagene ICR-DETR die hochpräzise Fehlererkennung in komplexen Industrieszenarien effektiv unterstützt.

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