Angesichts der Schwierigkeit, bei der Erkennung von Stahloberflächendefekten komplexe Hintergrundstörungen mit niedrigem Kontrast zu charakterisieren, sowie dem Problem des Verlusts lokaler Details während der Merkmalsfusion über mehrere Skalen hinweg, wird ein verbessertes Erkennungsframework DFD-DETR vorgeschlagen, das doppelte Frequenzbereichsverstärkung und dynamische Kernführung kombiniert. Zunächst wurde ein Modul zur doppelten Frequenzbereichsverstärkung (Dual-Frequency Domain Enhancement, DFE) entwickelt, um die Störung durch niederfrequente Hintergründe wie Walztexturen auf den Kantenmerkmalen der Defekte zu reduzieren. Dieses Modul besteht aus einer vorgelagerten Hochpassfilterung und einer nachgeschalteten Spektralsperre, wobei ersteres niederfrequente Hintergrundinformationen wie Walztexturen durch eine feste Hochpassantwort unterdrückt, und letzteres eine lernfähige Spektralsperre nutzt, um die fusionierten Frequenzbereichsmerkmale adaptiv neu zu kalibrieren und dadurch die Kantenreaktion schwacher Defekte zu verstärken. Anschließend wurde ein dynamisches Kernführungsmodule (Dynamic Kernel Guidance, DKG) vorgeschlagen, um teilweise die Schwierigkeit zu überwinden, dass bei der traditionellen Merkmalsfusion flache Details von tiefen semantischen Informationen überdeckt werden. Dieses Modul nutzt tiefe semantische Merkmale zur Erzeugung räumlich adaptiver dynamischer Faltungskerne und leitet die lokale Fusion hochauflösender, flacher Merkmale an, um die strukturelle Darstellungsfähigkeit mehrskaliger Defekte zu verbessern. Experimentelle Ergebnisse auf den Datensätzen NEU-DET und GC10-DET zeigen, dass diese Methode mAP@0.5 von 80,8 % bzw. 73,4 % erreicht und damit im Vergleich zum Basislinienmodell RF-DETR bessere Erkennungsergebnisse bei der Erkennung von Defekten mit niedrigem Kontrast und mehrskaligen Defekten in komplexem Hintergrund erzielt und eine gute Erkennungsleistung sowie eine gewisse Generalisierungsfähigkeit besitzt.

Stahloberfläche;Defekterkennung;RF-DETR;Frequenzbereichsverstärkung;mehrskalige Merkmalsfusion