Varios defectos complejos pueden ocurrir en las superficies de pequeñas piezas de automóviles durante la fabricación. En comparación con otros conjuntos de datos, el conjunto de datos de defectos de piezas de automóviles utilizado en este documento tiene una baja precisión de detección debido a varios defectos con grandes diferencias de tamaño, y se ha demostrado que los algoritmos tradicionales de detección de objetivos son ineficaces, lo que a menudo conduce a la falta de detección o a la identificación incorrecta. Para abordar estos problemas, este documento introduce un algoritmo de detección de defectos basado en YOLOv7. Para mejorar la detección de objetos pequeños y optimizar el modelo, incorporamos el mecanismo de atención ECA en la estructura de red principal. Teniendo en cuenta los tamaños pequeños de los objetivos de defectos en las piezas automotrices y la complejidad de sus fondos, rediseñamos la parte del cuello del modelo. Este rediseño incluye la integración del módulo de fusión de características BiFPN para mejorar la fusión de características, con el objetivo de minimizar las detecciones perdidas y las falsas alarmas. Además, empleamos la función de pérdida Alpha-IoU en la fase de predicción para mejorar la precisión del modelo, lo cual es crucial para reducir las detecciones falsas. La función de pérdida IoU también aumenta la eficiencia del modelo en la convergencia. La evaluación de este modelo utilizó el conjunto de datos de acero de la Universidad del Noreste y un conjunto de datos propietario, y demostró que la precisión promedio (mAP) de la red de detección MBEA-YOLOv7 fue del 76.2% y del 94.1%, respectivamente. Estas cifras representan mejoras del 5.7% y del 4.7% sobre la red YOLOv7 original. Además, la velocidad de detección para imágenes individuales oscila entre 1-2 ms. Esta mejora en la precisión de detección de objetivos pequeños no compromete la velocidad de detección, cumpliendo con los requisitos para la inspección en tiempo real y dinámica de defectos.