En la producción industrial, la calidad, confiabilidad y precisión de las piezas determinan la calidad general y el rendimiento de varios equipos mecánicos. Sin embargo, los métodos existentes de detección de defectos en las piezas presentan deficiencias en cuanto a la extracción y fusión de características, lo que lleva a problemas de detección omitida. Para abordar este desafío, este manuscrito propone un algoritmo de detección de defectos para piezas (CRD-YOLO) basado en el YOLOv5 mejorado. Nuestro primer objetivo es aumentar las características regionales de objetivos pequeños y mejorar la precisión de detección. En este manuscrito, diseñamos el módulo de agregación consciente de canal (CAA), utilizando una estructura de segmentación convolucional de múltiples ramas e incorporando un mecanismo de atención y un Bloque ConvNeXt V2 como capas de cuello de botella para el procesamiento de características. En segundo lugar, se utiliza el módulo asintótico de reparametrización (RAFPN) para reemplazar la estructura de cuello del modelo original con el fin de mejorar la interacción entre las características de detalle superficial y las características semánticas más profundas, y para evitar las grandes brechas semánticas entre capas no vecinas. Luego, el módulo DO-DConv se encapsula dentro de la capa BN y la función de activación LeakyReLU para convertirse en el módulo DBL, que procesa aún más la salida de características de la red base y fusiona las características del cuello de manera más integral. Finalmente, los experimentos con el conjunto de datos hecho por nosotros mismos muestran que el modelo propuesto en este documento mejora la precisión de detección de varios tipos de defectos. En particular, aumentó la precisión en la detección de defectos por rozamiento en rodamientos con variaciones dimensionales significativas, con una mejora del 6%, y defectos por falta de dientes en engranajes con grandes diferencias de forma, con un aumento del 8,3%. Además, la precisión promedio de precisión (mAP) alcanzó el 96,7%, un aumento del 5,5% y 6,4% en comparación con YOLOv5s y YOLOv8s, respectivamente.