La detección precisa y eficiente de defectos en la superficie del acero es fundamental para el control de calidad industrial. Aunque el modelo RT-DETR ofrece un buen equilibrio entre velocidad y precisión, su forma fija de extracción de características y precisión de detección presentan limitaciones al manejar defectos complejos y de grano fino. Por ello, este artículo propone un algoritmo de detección mejorado basado en RT-DETR llamado ICR-DETR. Primero, se utiliza UniRepLKNet como red principal, mejorando significativamente la capacidad del modelo para captar características de la superficie metálica; luego, se introduce el módulo LWN-CS en la red de cuello, combinando la transformada wavelet aprendida y el mecanismo de mezcla de canales, fortaleciendo eficazmente el modelado de detalles de alta frecuencia y la fusión de características; finalmente, se diseñó la función de pérdida Shape-WIoU que integra el mecanismo de ponderación de muestras no monótono de WIoU con Shape-IoU, modelando integralmente las características de forma y la correlación de escala de la caja delimitadora para mejorar la precisión de localización y la robustez. Los experimentos realizados en el conjunto de datos público NEU-DET de defectos en superficies de acero mostraron que ICR-DETR alcanzó una precisión del 77.92%, una tasa de recuperación del 75.71% y un mAP del 78.42%, superando a los algoritmos de detección convencionales. Además, para verificar la capacidad de generalización del modelo, también se probaron conjuntos de datos auto construidos de caída de líneas deslizantes ICRFD y de grietas en camiones pesados FDMPI, confirmando su utilidad y robustez en entornos industriales complejos. Los resultados indican que el ICR-DETR propuesto puede soportar eficazmente tareas de detección de defectos de alta precisión en escenarios industriales complejos.

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