Este artículo propone un modelo de profundidad guiado por el dominio de frecuencia progresiva con preprocesamiento adaptativo para resolver el problema de detección de defectos con características débiles basadas en imágenes de rayos X. En tareas de detección de defectos superficiales intuitivas distintas, la prueba no destructiva de fundiciones utilizando rayos X presenta características de defectos más complejas y débiles, lo que lleva a una menor precisión y a una robustez insuficiente por parte de los métodos actuales de detección de defectos en fundiciones. Para abordar estos desafíos, el método propuesto establece cuatro mecanismos especializados para mejorar la precisión del modelo. Primero, se propone un método de mejora de contraste de imagen adaptativo para realzar las características de los defectos en las imágenes de fundición y promover la posterior extracción y predicción de características. En segundo lugar, se propone un módulo de minería de pistas sutiles basado en atención en el dominio de frecuencia para extraer completamente las características discriminativas de los defectos de fundición. En tercer lugar, se propone un módulo de refinamiento de características basado en aprendizaje progresivo para lograr un equilibrio entre la resolución de características y la información semántica. Finalmente, se diseña un mecanismo de supervisión de regresión profunda refinada para mejorar la precisión de detección de defectos bajo estrictos estándares de relación intersección-unión. Establecimos amplios estudios de ablación utilizando imágenes de defectos de fundición en GDXray, realizamos experimentos comparativos detallados con otros métodos y llevamos a cabo experimentos para analizar la robustez de los modelos resultantes. En comparación con otros métodos de detección de defectos por rayos X, nuestro marco logra un promedio de +4.6 AP. En comparación con la línea base, nuestro mecanismo de supervisión de regresión profunda refinada propuesto resulta en una mejora de 5.3 AP.