La détection précise et efficace des défauts de surface de l'acier est essentielle pour le contrôle de la qualité industrielle. Bien que le modèle RT-DETR offre un bon équilibre entre vitesse et précision, sa méthode fixe d'extraction des caractéristiques et sa précision de détection présentent des limites face aux défauts complexes et à granularité fine. Pour cela, cet article propose un algorithme de détection amélioré basé sur RT-DETR, nommé ICR-DETR. D'abord, UniRepLKNet est utilisé comme réseau de base, améliorant significativement la capacité du modèle à percevoir les caractéristiques des surfaces métalliques ; ensuite, un module LWN-CS est introduit dans le réseau du cou, combinant la transformation en ondelettes apprentissable avec un mécanisme de mélange de canaux, renforçant efficacement la modélisation des détails haute fréquence et la fusion des caractéristiques ; enfin, une fonction de perte Shape-WIoU est conçue, combinant le mécanisme de pondération non monotone des échantillons de WIoU avec le Shape-IoU, modélisant globalement les caractéristiques de forme et la corrélation à l'échelle des boîtes englobantes, améliorant la précision de localisation et la robustesse. Les expériences sont menées sur le jeu de données public NEU-DET de défauts de surface d'acier, les résultats montrent qu'ICR-DETR atteint des précisions, rappels et mAP de 77,92 %, 75,71 % et 78,42 % respectivement, surpassant les algorithmes de détection actuels. De plus, pour vérifier la capacité de généralisation du modèle, des tests ont été effectués sur des jeux de données construits maison concernant la chute de collecteurs ICRFD et des fissures de poids lourds FDMPI, validant son utilité et sa robustesse en environnement industriel complexe. Les résultats expérimentaux montrent que l'ICR-DETR proposé supporte efficacement les tâches de détection de défauts à haute précision dans des scénarios industriels complexes.

détection des défauts;RT-DETR;collecteur;Shape-IoU;NEU-DET