Точная и эффективная детекция дефектов поверхности стали имеет решающее значение для контроля качества в промышленности. Хотя модель RT-DETR обеспечивает хороший баланс между скоростью и точностью, фиксированный способ извлечения признаков и точность обнаружения имеют ограничения при обработке сложных и мелкозернистых дефектов. В связи с этим в данной работе предложен алгоритм детекции на основе улучшенного RT-DETR — ICR-DETR. Во-первых, использовалась UniRepLKNet в качестве основной сети, что существенно повысило способность модели воспринимать характеристики металлической поверхности; во-вторых, в шейной сети внедрен модуль LWN-CS, сочетающий обучаемое вейвлет-преобразование и механизм перемешивания каналов, эффективно усиливающий моделирование высокочастотных деталей и слияние признаков; наконец, разработана функция потерь Shape-WIoU, объединяющая немонотонный механизм взвешивания образцов WIoU с Shape-IoU, всесторонне моделируя форму ограничивающей рамки и шкалозависимость, повышая точность локализации и устойчивость. Эксперименты проведены на общедоступном наборе данных дефектов поверхности стали NEU-DET, результаты показывают, что ICR-DETR достигает точности, полноты и mAP на уровне 77.92%, 75.71% и 78.42% соответственно, превосходя существующие основные алгоритмы обнаружения. Кроме того, для проверки способности модели к обобщению тестирование выполнено на собственных наборах данных об отлете токоподводящих шин ICRFD и трещинах тяжёлых грузовиков FDMPI, подтверждая её практичность и устойчивость в сложных промышленных условиях. Результаты демонстрируют, что предложенный ICR-DETR эффективно поддерживает задачи высокоточной детекции дефектов в сложных промышленных сценариях.

обнаружение дефектов;RT-DETR;токоподводящая шина;Shape-IoU;NEU-DET