La formación de hielo en las alas de las aeronaves amenaza significativamente la seguridad de la aviación, causando pérdidas sustanciales a la industria de la aviación cada año. La alta transparencia y los bordes difusos de las áreas con hielo en las imágenes de las alas presentan desafíos para la detección de hielo en las alas mediante visión por máquina. Para abordar estos desafíos, este estudio propone un modelo de detección, Wing Icing Detection DeeplabV3+ (WID-DeeplabV3+), para la detección eficiente y precisa del hielo en el borde de ataque de las alas de las aeronaves en condiciones de iluminación natural. WID-DeeplabV3+ adopta la ligera MobileNetV3 como su red base para mejorar la extracción de características de borde en las áreas con hielo. Se incorporan módulos de Convolución Fantasma y Agrupamiento Piramidal Espacial Atrous para reducir los parámetros del modelo y la complejidad computacional. El modelo se optimiza utilizando el método de aprendizaje por transferencia, donde se utilizan pesos preentrenados para acelerar la convergencia y mejorar el rendimiento. Los resultados experimentales muestran que WID-DeepLabV3+ segmenta el borde del hielo a 1920 x 1080 en 0.03 s. El modelo logra una precisión del 97.15%, un IOU del 94.16%, una precisión del 97% y un recall del 96.96%, representando mejoras respectivas del 1.83%, 3.55%, 1.79% y 2.04% sobre DeeplabV3+. El número de parámetros y la complejidad computacional se reducen en un 92% y un 76%, respectivamente. Con alta precisión, un IOU superior y una velocidad de inferencia rápida, WID-DeeplabV3+ proporciona una solución efectiva para la detección de hielo en las alas.