La detección precisa y eficiente de defectos en la superficie del acero es crucial 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 precisión de detección tienen 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 backbone, mejorando significativamente la capacidad del modelo para percibir características de la superficie metálica; en segundo lugar, se introduce el módulo LWN-CS en la red del cuello, combinando transformada wavelet aprendible con un mecanismo de mezcla de canales, que refuerza efectivamente la modelación de detalles de alta frecuencia y la fusión de características; finalmente, se diseña la función de pérdida Shape-WIoU que combina el mecanismo de ponderación no monótona de muestras de WIoU con Shape-IoU, modelando integralmente las características de forma y la correlación a escala de la caja delimitadora, mejorando la precisión de localización y la robustez. Los experimentos se realizaron en el conjunto de datos público NEU-DET de defectos en superficies de acero, y los resultados muestran que ICR-DETR logró precisiones, recuperaciones y mAP de 77.92%, 75.71% y 78.42%, respectivamente, superando a los algoritmos de detección principales existentes. Además, para verificar la capacidad de generalización del modelo, también se probaron conjuntos de datos propios de desprendimiento de colectores ICRFD y grietas en camiones pesados FDMPI, validando su utilidad y robustez en entornos industriales complejos. Los resultados demuestran que ICR-DETR propuesto puede soportar eficazmente tareas de detección de defectos de alta precisión en escenarios industriales complejos.

detección de defectos;RT-DETR;colector;Shape-IoU;NEU-DET