La detección de agujeros es un medio importante para la detección de grietas en las palas de motores aéreos, y la tecnología actual todavía se basa principalmente en la operación manual, lo que puede causar riesgos de seguridad por razones visuales. Para abordar este problema, este artículo propone un modelo de detección de grietas en palas de motores aéreos basado en aprendizaje profundo. Primero, se utiliza el algoritmo K-means++ para recalcular los puntos de anclaje, lo que reduce la influencia del marco de anclaje en la precisión; segundo, la red base de YOLOv5s se reemplaza por Mobilenetv3 para un diseño ligero; luego, se incorpora el módulo de cuello delgado en la parte del cuello, y la función de activación se reemplaza por Hard Sigmoid para rediseñarla, lo que mejora la precisión y la velocidad de convergencia. Finalmente, para mejorar la capacidad de aprendizaje para objetivos pequeños, se incorpora el mecanismo de atención SimAM en la cabeza. Se realizan una gran cantidad de pruebas de ablación en datos reales de palas de motores, y los resultados muestran que la precisión promedio del modelo mejorado es del 93.1%, lo que es un 29.3% más alto; el número de parámetros del modelo es de 12.58 MB, lo que es un 52.96% menos, y los fotogramas por segundo (FPS) pueden alcanzar hasta 95. El algoritmo propuesto satisface las necesidades prácticas y es adecuado para la detección de agujeros.