【摘要】[目的]针对苹果无损检测过程中表面缺陷检测精度低的问题，提出一种基于DSCS-YOLO的苹果表面缺陷检测方法。[方法]首先为提高网络对表面缺陷细节特征的提取能力，设计了一种基于Dense模块以及SE模块的深浅特征选择模块DSCS(Deep and shallow feature selection module)，采用DSCS替换Backbone中的C3模块，在保留表面缺陷浅层信息的基础上强化对重要特征的学习，并起到削弱冗余特征的作用；针对由于Backbone与Neck部分输出信息过多导致的参数耦合问题，利用解耦头原理对Head层部分进行分层预测。同时采用ELU激活函数改进原有解耦头，简化了末端结构，使网络训练更加容易；最后针对表面缺陷标注困难的问题，采用Wise-IoU损失函数代替CIoU损失函数，为不同质量的标注提供非线性增益，实现网络的动态聚焦学习。[结果]试验结果表明，DSCS-YOLO对苹果表面缺陷检测的平均精度均值达到90.9%，相较于YOLOv3-tiny、YOLOv5s、YOLOX-s以及SSD分别提高了4.5%、1.9%、6.3%、16.3%。[结论]改进后的DSCS-YOLO提高了YOLOv5s算法的精度，实现了苹果表面缺陷的精准识别。