La salud de los motores aeroespaciales es fundamental para la operación segura de las aeronaves. Con el aumento del tiempo de servicio, los componentes internos del motor se verán dañados por amenazas de diferentes fuentes, por lo que es necesario detectar regularmente el daño dentro del motor. En la actualidad, la mayoría de los métodos de detección de las principales aerolíneas dependen de las imágenes internas del motor obtenidas mediante el uso manual de un endoscopio para detectar daños o métodos tradicionales de aprendizaje automático, que consumen altos niveles de recursos humanos y computacionales pero tienen baja eficiencia. La inteligencia artificial en varios campos puede lograr un mejor rendimiento que los métodos tradicionales, pero para alcanzar el estándar de industrialización de la IA verde, necesitamos más investigación. En consecuencia, presentamos un método de aprendizaje contrastivo de múltiples capas para el diseño de un modelo ligero de detección de objetivos, que se aplica a imágenes reales de endoscopio de motores aeroespaciales de componentes complejos para lograr la detección de daños en tiempo real. Realizamos experimentos comparativos intensivos para evaluar la efectividad de nuestro método. Los resultados de la verificación demuestran que el método puede ayudar a que nuestro modelo se desempeñe excelentemente en comparación con otros modelos base disponibles.