El acero laminado en frío se utiliza ampliamente en industrias como la fabricación de automóviles y aeroespacial debido a su mecanizabilidad superior, beneficios económicos y adaptabilidad. Sin embargo, los defectos en la superficie de las tiras de acero, como inclusiones, parches y arañazos, afectan significativamente el rendimiento y la vida útil del producto. Por lo tanto, la detección de objetos destacados de defectos en la superficie del acero laminado en frío es crucial para garantizar la calidad del producto final. Muchos factores, como el bajo contraste de los defectos en la superficie del acero laminado en frío, la diversidad de tipos de defectos, las estructuras de textura complejas y la distribución irregular de defectos, dificultan que las tecnologías de detección existentes identifiquen y segmenten con precisión áreas defectuosas contra fondos complejos. Para abordar los problemas anteriores, proponemos un nuevo detector llamado S3D-SOD para la detección de objetos destacados de defectos en la superficie del acero laminado en frío. Para la etapa de codificación, se propone un bloque residual de autoatención para explorar las señales de información semántica de características de alto nivel para localizar y guiar la información de características de bajo nivel. Además, aplicamos una atención residual general de canal y espacial a las características de nivel bajo, lo que permite que el modelo se enfoque de manera adaptativa en los canales clave y áreas espaciales de los mapas de características con altas resoluciones, mejorando así las características del codificador y acelerando la convergencia del modelo. Para la etapa de decodificación, se propone un bloque decodificador residual simple con una operación de aumento de muestreo para realizar la integración e interacción de información de características entre diferentes capas. Aquí, el bloque decodificador residual simple se utiliza para la integración de características debido a la siguiente observación: las redes de columna vertebral como ResNet y el Swin Transformer, después de ser preentrenadas en el gran conjunto de datos ImageNet y luego ajustadas en un conjunto de datos más pequeño para defectos en la superficie del acero laminado en frío, son capaces de extraer mapas de características que contienen características de imagen generales y las características específicas requeridas para la detección de objetos destacados de defectos en la superficie del acero laminado en frío. Los resultados experimentales en el conjunto de datos SD-saliency-900 muestran que S3D-SOD es mejor que los métodos avanzados, y tiene una fuerte capacidad de generalización y robustez.