A detecção precisa e eficiente de defeitos na superfície do aço é crucial para o controle de qualidade industrial. Embora o modelo RT-DETR ofereça um bom equilíbrio entre velocidade e precisão, seu método fixo de extração de características e a precisão de detecção apresentam limitações ao lidar com defeitos complexos e granulares. Para isso, este artigo propõe um algoritmo de detecção aprimorado baseado no RT-DETR — o ICR-DETR. Primeiro, utiliza-se o UniRepLKNet como rede backbone para melhorar significativamente a capacidade do modelo em perceber características da superfície metálica; em seguida, introduz-se o módulo LWN-CS na rede do pescoço, combinando transformadas wavelet aprendíveis com mecanismo de embaralhamento de canais para fortalecer eficazmente a modelagem de detalhes de alta frequência e a fusão de características; por fim, é projetada a função de perda Shape-WIoU, que integra o mecanismo de ponderação de amostras não monótono do WIoU com o Shape-IoU, modelando de forma abrangente as características de forma e a correlação de escala da caixa delimitadora, melhorando a precisão de localização e a robustez. Os experimentos foram conduzidos no conjunto de dados público NEU-DET de defeitos na superfície do aço, e os resultados mostram que o ICR-DETR alcançou 77,92% de precisão, 75,71% de recall e 78,42% de mAP, superando os algoritmos de detecção predominantes atualmente. Além disso, para validar a capacidade de generalização do modelo, foram realizados testes também nos conjuntos de dados de queda da linha de contato deslizante ICRFD e trincas em caminhões pesados FDMPI, verificando sua praticidade e robustez em ambientes industriais complexos. Os resultados experimentais indicam que o ICR-DETR pode apoiar efetivamente tarefas de detecção de defeitos de alta precisão em cenários industriais complexos.

detecção de defeitos;RT-DETR;linha de contato deslizante;Shape-IoU;NEU-DET