En el proceso de fabricación de robots industriales, la detección de defectos de materias primas incluye dos tipos de tareas, lo que garantiza la precisión de la detección de defectos. También hace que la tarea de detección de defectos sea desafiante en el trabajo práctico. Al analizar las desventajas de los métodos existentes de detección de defectos, como la baja precisión y la baja capacidad de generalización, se propone un método de detección basado en el mecanismo de atención y el módulo de convolución dilatado. Para extraer características de manera efectiva, se elige un marco de detección de dos etapas aplicando Resnet50 como la red de pre-entrenamiento de nuestro modelo. Con esta base, se utilizan el mecanismo de atención y la convolución dilatada. Con el mecanismo de atención, la red puede centrarse en las características de regiones efectivas y suprimir las regiones inválidas durante la detección. Con la convolución dilatada, el campo receptivo del modelo puede aumentar sin aumentar la cantidad de cálculos del modelo. Como resultado, se puede lograr un campo receptivo más grande, lo que obtendrá datos más densos y mejorará el efecto de detección de defectos pequeños en el objetivo. Finalmente, se realizan experimentos en el conjunto de datos NEU-DET. En comparación con la red base, el método propuesto en este documento logra un 81.79% de mAP, que son mejores resultados.