La détection précise et efficace des défauts de surface de l’acier est cruciale pour le contrôle de qualité industriel. Bien que le modèle RT-DETR offre un bon équilibre entre vitesse et précision, sa méthode d’extraction de caractéristiques fixe et sa précision de détection présentent des limites lorsqu’il s’agit de traiter des défauts complexes et fins. À cet égard, cet article propose un algorithme de détection amélioré basé sur RT-DETR — ICR-DETR. Tout d’abord, UniRepLKNet est utilisé comme réseau principal pour améliorer significativement la capacité du modèle à percevoir les caractéristiques de surface métallique; ensuite, un module LWN-CS est introduit dans le réseau « cou » combinant une transformation par ondelettes apprenante et un mécanisme de mélange de canaux pour renforcer efficacement la modélisation des détails haute fréquence et la fusion de caractéristiques; enfin, une fonction de perte Shape-WIoU est conçue, fusionnant le mécanisme de pondération non monotone des échantillons de WIoU avec Shape-IoU afin de modéliser globalement les caractéristiques de forme et la corrélation d’échelle de la boîte englobante, améliorant ainsi la précision et la robustesse de la localisation. Les expériences ont été menées sur le jeu de données public NEU-DET des défauts de surface d’acier, montrant que ICR-DETR atteint respectivement 77.92% de précision, 75.71% de rappel et 78.42% de mAP, surpassant les algorithmes de détection dominants actuels. De plus, pour valider la capacité de généralisation du modèle, des tests ont également été réalisés sur les jeux de données internes ICRFD (chute de ligne de contact glissante) et FDMPI (fissures de camion lourd), démontrant son utilité et sa robustesse en environnements industriels complexes. Les résultats expérimentaux indiquent que ICR-DETR supporte efficacement les tâches de détection de défauts de haute précision dans des scénarios industriels complexes.

détection de défauts;RT-DETR;ligne de contact glissante;Shape-IoU;NEU-DET