Este documento presenta un método para la detección automática del contenido de sorbato en varillas de acero de alto carbono. Se establece un modelo de segmentación semántica de sorbato basado en DeepLabv3+. La estructura de sorbato se segmenta y los resultados de la predicción se analizan y cuentan en función de las imágenes metalográficas de varillas de acero de alto carbono marcadas manualmente. Para el problema del desequilibrio de muestras, se utiliza la función de pérdida de Dice loss + focal loss, y se añade el procesamiento de perturbación de los datos de entrenamiento. Los resultados muestran que este método puede realizar estadísticas automáticas del contenido de sorbato. La precisión promedio de predicción de píxeles es tan alta como 94.28%, y el error absoluto promedio es solo 4.17%. La aplicación compuesta de la función de pérdida y la mejora de la perturbación de datos mejoran significativamente la precisión de predicción y el rendimiento robusto del modelo. En este método, la detección del contenido de sorbato en una sola imagen solo toma 10 s, lo que es un 99% más rápido que los 10 min utilizando el método manual de corte. Con la premisa de garantizar la precisión de detección, la eficiencia de detección se mejora significativamente y se reduce la intensidad laboral.