La detección de defectos en superficies de acero es crucial para garantizar la calidad del acero. El algoritmo de detección tradicional tiene una baja probabilidad de detección. Este artículo propone un algoritmo mejorado basado en el modelo YOLOv5 para aumentar la probabilidad de detección. En primer lugar, se introduce la convolución deformable en la red de fondo, y un módulo de convolución tradicional es reemplazado por la convolución deformable; en segundo lugar, se añade el mecanismo de atención CBAM a la red de fondo; luego, se utiliza Focal EIOU en lugar de la función de pérdida CIOU en YOLOv5; por último, se utiliza el algoritmo K-means para agrupar la caja de anclaje, y se obtienen los parámetros de la caja de anclaje que son más adecuados para este artículo. Los resultados experimentales muestran que el uso de la convolución deformable en lugar de la convolución tradicional puede obtener más información de características, lo que es más favorable para el aprendizaje de la red. Este artículo utiliza el mecanismo de atención CBAM, y el mapa de calor del mecanismo de atención muestra que el mecanismo de atención CBAM es beneficioso para la extracción de características. Focal EIOU está optimizado en pérdida alta y amplia en comparación con la función de pérdida CIOU, lo que acelera la convergencia del modelo. La caja de anclaje es más favorable para la extracción de características. El algoritmo mejorado logró una probabilidad de detección del 78.8% en el conjunto de datos NEU-DET, que es un 4.3% mejor que la red YOLOv5 original, y el tiempo de inferencia de cada imagen solo aumentó en 1 ms; por lo tanto, el algoritmo optimizado propuesto en este artículo es efectivo.