Actualmente, en el ámbito de la detección de defectos superficiales en acero laminado en caliente, detectar defectos de pequeño tamaño en condiciones de fondo complejas y equilibrar de manera efectiva la eficiencia computacional con la precisión de detección presenta un desafío significativo. Este estudio propone CTL-YOLO basado en YOLO11, con el objetivo de detectar de manera eficiente y precisa las imperfecciones en la superficie del acero laminado en caliente en aplicaciones industriales. En primer lugar, se propone la red de integración de características CGRCCFPN para lograr una fusión de características globales a múltiples escalas mientras se preserva la información detallada. En segundo lugar, se propone la Cabeza de Detección TVADH para identificar defectos en fondos texturizados complejos. Finalmente, se utiliza el algoritmo LAMP para comprimir aún más la red. El algoritmo propuesto demuestra un excelente rendimiento en el conjunto de datos público NEU-DET, logrando un mAP50 del 77.6%, lo que representa una mejora de 3.2 puntos porcentuales en comparación con el algoritmo base. Los GFLOPs se reducen a 2.0, una disminución del 68.3% en comparación con el base, y los Params se reducen a 0.40, mostrando una reducción del 84.5%. Además, exhibe fuertes capacidades de generalización en el conjunto de datos público GC10-DET. El algoritmo puede mejorar efectivamente la precisión de detección mientras mantiene un diseño ligero.