La detección precisa y eficiente de defectos en la superficie del acero es vital para el control de calidad industrial. Aunque el modelo RT-DETR ofrece un buen equilibrio entre velocidad y precisión, su método fijo de extracción de características y la precisión en la detección presentan limitaciones al manejar defectos complejos y finos. Por ello, este artículo propone un algoritmo de detección mejorado basado en RT-DETR llamado ICR-DETR. Primero, se utiliza UniRepLKNet como red principal para mejorar significativamente la capacidad del modelo para percibir características de la superficie metálica; en segundo lugar, se introduce el módulo LWN-CS en la red de cuello, combinando transformadas wavelet aprendibles y un mecanismo de mezcla de canales para potenciar eficazmente la modelación de detalles de alta frecuencia y la fusión de características; finalmente, se diseña la función de pérdida Shape-WIoU que fusiona el mecanismo no monótono de ponderación de muestras de WIoU con Shape-IoU, modelando integralmente las características de forma y la correlación de escala de la caja delimitadora, mejorando la precisión y robustez de la localización. Los experimentos se realizaron en el conjunto de datos público NEU-DET de defectos en superficies de acero, mostrando que ICR-DETR alcanzó 77.92% de precisión, 75.71% de recall y 78.42% de mAP, superando los algoritmos de detección predominantes existentes. Además, para validar la capacidad de generalización del modelo, se realizaron pruebas también en los conjuntos de datos auto-diseñados ICRFD (caída de línea deslizante) y FDMPI (grietas de camión pesado), verificando su utilidad y robustez en entornos industriales complejos. Los resultados experimentales indican que ICR-DETR puede soportar efectivamente tareas de detección de defectos de alta precisión en escenarios industriales complejos.

detección de defectos;RT-DETR;línea deslizante;Shape-IoU;NEU-DET