针对风机叶片表面缺陷复杂，传统卷积神经网络涉及阈值筛选和非极大值抑制过程而增加计算的复杂性且不利于模型部署等问题。提出一种结合RT-DETR(real-time-detection transformer)与YOLOv5算法的风机叶片的缺陷检测方法。首先基于RepVGG和FasterNet对YOLOv5的主干神经网络进行重新设计，降低模型计算复杂程度；考虑到检测任务中存在小尺寸目标，在颈部网络中的特征融合部位引入高效注意力机制(efficientchannel attention

ECA)，从而增强对输出特征的表达能力；最后采用RT-DETR中的Decoder重构原网络的检测头，减少非极大值抑制对模型的影响。实验结果表明：改进的YOLO-RT检测模型在自制风机叶片表面缺陷数据集上的平均检测精度为87.2%，准确率为92.7%，相比原YOLOv5模型分别提高4.4百分点和8.0百分点；检测速率达到118.3帧/s，优于其他检测模型。改进后的算法能有效提高检测精度和速率，更适合应用在风机叶片表面缺陷的检测任务。