Para abordar los problemas de muestras de defectos insuficientes y baja precisión de detección de medios de barril, proponemos una detección de defectos superficiales de medios de barril basada en un modelo PaE-VGG. El modelo propuesto PaE-VGG se basa en una modificación de una red neuronal convolucional VGG de última generación, incorporando una convolución circular consciente de la posición para facilitar la extracción de características globales sensibles a la ubicación. Para cada canal de extracción de características, se calcula el mecanismo de Atención de Canal Eficiente, que pondera de forma adaptativa el vector de características. Los hallazgos experimentales demuestran que nuestro modelo PaE-VGG propuesto logra una tasa de precisión del 94.37%, mostrando una mejora significativa del 4.76% en comparación con la versión anterior. Además, al compararlo con redes neuronales convolucionales altamente exitosas para la detección de defectos, como AlexNet, Googlenet y ResNet18, nuestro modelo de optimización los supera en un 4.20%, 1.51% y 0.72%, respectivamente. Por lo tanto, el PaE-VGG propuesto ha logrado una buena precisión y rendimiento en la detección de defectos de medios de barril después de la mejora.