La aplicación de modelos de detección de defectos basados en aprendizaje profundo reduce significativamente la carga de trabajo de los trabajadores y mejora la eficiencia de las inspecciones. En este documento, se desarrolla un modelo mejorado YOLOv8 (DCNv4_C2f + GAM + InnerMPDIoU + YOLOv8, en adelante denominado DGYOLOv8) para abordar los desafíos de la detección de defectos en la superficie de acero. DGYOLOv8 incorpora un módulo de convolución deformable C2f (DCNv4_C2f) en la red principal para permitir el ajuste adaptativo del campo receptivo. Además, integra un Módulo de Atención de Puerta (GAM) dentro de los mecanismos de atención espacial y de canal, mejorando la selección de características a través de un mecanismo de puerta que refuerza las características clave, mejorando así la generalización e interpretabilidad del modelo. El InnerMPDIoU, que incorpora los últimos conceptos internos, mejora la precisión de detección y la capacidad de manejar aspectos detallados de manera efectiva. Este modelo ayuda a abordar las limitaciones de las redes actuales. Los resultados experimentales muestran mejoras en precisión (P), recall (R) y precisión promedio (mAP) en comparación con los modelos existentes.