La inspección de calidad de las semillas de patata es fundamental para su segregación efectiva y un paso crítico en el proceso de cultivo de patatas. Dada la escasez de investigaciones sobre maquinaria inteligente de corte de tubérculos en China, especialmente en lo que respecta a la identificación de ojos de brote y detección de defectos, este estudio ha desarrollado un enfoque de reconocimiento multi-objetivo para las semillas de patata utilizando técnicas de aprendizaje profundo. Al refinar el algoritmo YOLOv5s, se ha introducido un modelo novedoso y ligero denominado DCS-YOLOv5s para la identificación simultánea de brotes de tubérculos y defectos. Este estudio comienza con la ampliación de datos de las imágenes de semillas de tubérculos obtenidas a través del sistema de adquisición de imágenes, empleando estrategias como la traducción, inyección de ruido, modulación de luminancia, recorte, espejo y la técnica Cutout para amplificar el conjunto de datos y fortalecer la resistencia del modelo. Posteriormente, el modelo original YOLOv5s experimenta una serie de mejoras, incluida la sustitución de los módulos convolucionales convencionales en la red de base por el módulo de convolución separable en profundidad DP_Conv para reducir el recuento de parámetros y la carga computacional del modelo; el reemplazo del Bottleneck del módulo C3 original con el GhostBottleneck para hacer el modelo más compacto; y la integración del módulo de mecanismo de atención SimAM para aumentar la eficacia del modelo en la captura de características de los brotes y defectos de tubérculos de patata, culminando en el modelo ligero DCS-YOLOv5s. Los hallazgos de la investigación indican que el modelo DCS-YOLOv5s supera al modelo YOLOv5s en precisión y velocidad de detección, mostrando una eficacia de detección superior y una compacidad del modelo. Las métricas de detección del modelo, incluidas la Precisión, la Recuperación y la Precisión Promedio en Intersección sobre Unión con umbrales de 0,5 (mAP1) y 0,75 (mAP2), han mejorado a 95,8%, 93,2%, 97,1% y 66,2%, respectivamente, lo que significa incrementos del 4,2%, 5,7%, 5,4% y 9,8%. La velocidad de detección también se ha aumentado en un 12,07%, logrando una tasa de 65 FPS. El modelo de detección de objetivos DCS-YOLOv5s, al lograr una compacidad del modelo, ha aumentado sustancialmente la precisión de detección, presentando una referencia beneficiosa para la detección dinámica de objetivos de muestra en el contexto de la maquinaria de corte de patatas.