En los últimos años, con el auge de la ola de automatización, reducir el juicio manual, especialmente en la detección de defectos en fábricas, se ha vuelto crucial. La automatización del reconocimiento de imágenes ha surgido como un desafío significativo. Sin embargo, el problema de cómo mejorar efectivamente la clasificación de la detección de defectos y la precisión media promedio (mAP) es un proceso continuo de mejora y ha evolucionado desde la inspección visual original de defectos hasta el actual sistema de detección por aprendizaje profundo. Este documento presenta una aplicación de aprendizaje profundo, y el enfoque alineado a la tarea se utiliza por primera vez en defectos metálicos, y el ancla y la caja delimitadora de objetos y categorías se optimizan continuamente mediante corrección mutua. Utilizamos el modelo de detección de objetos de una etapa alineado a la tarea (TOOD), luego lo mejoramos y optimizamos, seguido de ConvNets deformables v2 (DCNv2) para ajustar la convolución deformable, y finalmente utilizamos la supresión no máxima suave eficiente (Soft-NMS) para optimizar la intersección sobre la unión (IoU) y ajustar el umbral de IoU y muchos otros experimentos. En el conjunto de datos de detección de defectos en superficies de la Universidad del Noreste (NEU-DET) para la detección de defectos en superficies, el mAP aumentó del 75.4% al 77.9%, un aumento del 2.5% en mAP, y el mAP también mejoró en comparación con modelos avanzados existentes, lo que tiene potencial para su uso futuro.