En la industria de producción y manufactura, factores como el equipo de laminado y los procesos pueden causar diversos defectos en la superficie de la placa de acero, lo que afecta en gran medida el rendimiento y la precisión del mecanizado posterior. Por lo tanto, es esencial identificar los defectos a tiempo y mejorar la calidad de la producción. Se construyó un sistema de detección inteligente, y se proponen algunos algoritmos mejorados como la mejora del conjunto de datos, la anotación y la red neuronal convolucional ligera en este documento. (1) En comparación con el YOLOV5 original (You Only Look Once), la precisión es de 0.924 y el tiempo de inferencia es de 29.8 ms, lo que es 13.8 ms más rápido que el modelo original. Además, los parámetros y cálculos también son mucho menores que los de YOLOV5. (2) Se diseñaron experimentos de ablación para verificar la efectividad de los algoritmos propuestos. La precisión general se mejoró en 0.062; mientras tanto, el tiempo de inferencia se redujo en 21.7 ms. (3) En comparación con otros modelos de detección, aunque RetinaNet tiene la mayor precisión, toma el mayor tiempo. El rendimiento general del método propuesto es mejor que el de otros métodos. Esta investigación puede satisfacer mejor los requisitos de la industria en cuanto a precisión y rendimiento en tiempo real. También puede proporcionar ideas para la detección industrial y sentar las bases para la automatización industrial.