Face à la difficulté de caractériser les défauts à faible contraste causés par des interférences de fond complexes dans la détection des défauts de surface de l'acier, ainsi qu'au problème de perte de détails locaux lors de la fusion des caractéristiques multi-échelles, un cadre de détection amélioré DFD-DETR fusionnant un double renforcement en domaine fréquentiel et un guidage dynamique par noyau est proposé. Tout d'abord, pour contrer les interférences des arrière-plans basse fréquence tels que les textures de laminage sur les caractéristiques des bords des défauts, un module de renforcement double en domaine fréquentiel (Dual-Frequency Domain Enhancement, DFE) a été conçu. Ce module est composé d'un filtrage passe-haut en amont et d'un filtrage spectral adaptatif en aval. Le premier module supprime les informations de fond basse fréquence comme la texture de laminage par une réponse passe-haut fixe, tandis que le second utilise un filtrage spectral à apprentissage adaptatif pour recalibrer les caractéristiques fusionnées dans le domaine fréquentiel, renforçant ainsi la réponse des bords des défauts subtils. Ensuite, pour surmonter dans une certaine mesure la difficulté causée par la couverture des détails peu profonds par la sémantique profonde lors de la fusion traditionnelle des caractéristiques, un module de guidage dynamique par noyau (Dynamic Kernel Guidance, DKG) est proposé. Il utilise des caractéristiques sémantiques profondes pour générer des noyaux convolutionnels dynamiques spatiaux adaptatifs, guidant la fusion locale des caractéristiques à haute résolution en couches superficielles, renforçant ainsi la capacité de représentation structurelle des défauts multi-échelles. Les résultats expérimentaux sur les ensembles de données NEU-DET et GC10-DET montrent que la méthode proposée atteint un mAP@0.5 de 80,8 % et 73,4 % respectivement, surpassant le modèle de base RF-DETR dans les tâches de détection des défauts à faible contraste et multi-échelles en contexte complexe, avec de bonnes performances de détection et une certaine capacité de généralisation.

surface de l'acier;détection des défauts;RF-DETR;renforcement en domaine fréquentiel;fusion des caractéristiques multi-échelles