Los algoritmos de detección existentes no pueden lograr un equilibrio adecuado entre la precisión de detección y la velocidad de inferencia. A medida que aumenta la precisión del algoritmo, también lo hace su complejidad, lo que resulta en una disminución de la velocidad de detección, lo que socava su practicidad. Este problema es particularmente evidente en el contexto de la detección de defectos en superficies de piezas industriales, donde el bajo contraste, las pequeñas características del objetivo, la difícil extracción de características y la baja eficiencia de detección en tiempo real son desafíos prominentes. Este estudio propone un método novedoso para la detección de defectos en acero basado en el algoritmo YOLO v8, que mejora la precisión de detección mientras mantiene una baja complejidad computacional. En primer lugar, la información de fondo global y de borde se extrae de manera adaptativa a través del módulo MSA-SPPF para obtener una representación de características más completa. Además, la capacidad de anti-interferencia del modelo se mejora a través de la deformabilidad de la atención y las características del gran núcleo de convolución. En segundo lugar, el diseño de Dynamic Conv y C2f-OREPA permite que el modelo reduzca de manera eficiente la demanda de recursos computacionales mientras mantiene un alto rendimiento. Se propone además que la cabeza de detección RepHead aproxima la estructura de múltiples ramas del entrenamiento original mediante una única operación de convolución. Este enfoque no solo enriquece la representación de características, sino que también mantiene un proceso de inferencia eficiente. La efectividad del algoritmo MRP-YOLO mejorado se verifica utilizando el conjunto de datos de defectos en superficies industriales NEU-DET. Los resultados experimentales demuestran que el mAP del algoritmo MRP-YOLO alcanza el 75.6%, lo que es un 2.2% más alto que el del algoritmo YOLOv8n, mientras que los FLOPs son solo 2.3 G más altos. Esto indica que la precisión de detección se mejora significativamente con un aumento limitado en la complejidad computacional.