Este documento presenta CMA-YOLO, una red que integra características multiescala con mecanismos de atención dual para abordar la débil representación de características, la baja precisión de detección y la pérdida de detalles finos en redes profundas para la detección de defectos en la superficie de las palas de turbinas eólicas. Primero, construimos el módulo C2MSA diseñando un Convolucional Mix de Atención Mejorada por Características Multiescala (MS-ACmix) basado en ACmix e integrándolo en el bloque C2PSA. Esto permite que la red capture características contextuales locales y globales, fortaleciendo el reconocimiento de objetivos multiescala y reduciendo las detecciones perdidas. En segundo lugar, ideamos un mecanismo de Atención Dual de Monte Carlo (MCDA) que combina muestreo aleatorio con atención dual. Este enfoque conserva los beneficios de regularización del método de Monte Carlo mientras aprovecha la selección de atención dual, lo que permite mejorar la precisión de detección con un bajo costo computacional. Finalmente, sustituimos las capas de submuestreo originales en la columna vertebral y el cuello por el módulo ADown. Este diseño ligero, junto con una extracción y fusión de características eficientes, reduce la pérdida de detalles finos y mejora la capacidad de detección de defectos. Los resultados cuantitativos revelan que, en comparación con YOLO11n, CMA-YOLO produce mejoras del 3.4% en mAP@0.5, 6.1% en mAP@0.5:0.95 y 8.8% en recall, con una reducción de 0.7 GFLOPs en el costo computacional, validando así el algoritmo propuesto. En general, CMA-YOLO proporciona un enfoque ligero y efectivo para inspeccionar defectos en la superficie de las palas de turbinas eólicas que operan en entornos con recursos limitados.