摘要：航空叶片表面缺陷的准确检测是保证航空发动机安全可靠运转的关键。目前基于视觉的航空叶片表面缺陷检测算法存在实时性差、漏检率高、定位目标不准等问题。针对上述问题,本文提出一种基于深度神经网络的航空叶片表面缺陷检测算法。为了提高检测实时性,本文设计了深度可分离卷积(depthwise separable convolution,DSC)模型分解标准卷积;为了降低小目标缺陷漏检,本文设计了SE-PAN(squeeze-and-excitation path aggregation network)模型对每个通道的特征进行重标定,使得具有更强信息的特征得到更多的关注;为了提高定位准确度,本文设计了Focal-DIOU(focal-distance intersection over union)损失函数减弱低效框的作用。在本文的航空叶片表面缺陷数据集上的实验证明:本文算法的Precision、Recall、AP达到了95.7%、94.6%、96.3%,检测帧率达到24帧/s,均优于主流检测算法。