Como alimento básico diario de más de un tercio de la población mundial, el trigo es uno de los principales cultivos alimentarios en el mundo. El aumento en la producción de trigo ayudará a satisfacer las actuales necesidades globales de seguridad alimentaria. En el proceso de crecimiento del trigo, las enfermedades y plagas de insectos tienen una gran influencia en el rendimiento, lo que conlleva a una disminución significativa. Los ácaros araña del trigo son los más dañinos para el trigo porque son demasiado pequeños para ser encontrados. Por lo tanto, cómo utilizar el aprendizaje profundo para identificar pequeñas plagas es un tema candente en la investigación moderna de la agricultura inteligente. En este documento, proponemos un modelo RetinaNet mejorado y lo entrenamos en nuestro propio conjunto de datos de ácaros araña del trigo. En primer lugar, el conjunto de datos de ácaros araña del trigo se amplía de 1959 a 9215 utilizando dos ángulos diferentes y métodos de segmentación de imágenes. En segundo lugar, se agrega la detección de características de ácaros araña del trigo para mejorar la identificación de objetivos pequeños. En tercer lugar, la pirámide de características en FPN se optimiza aún más, y los mapas de características de alta resolución se utilizan completamente para fusionar la información de regresión de mapas de características superficiales y la información semántica de mapas de características profundos. Finalmente, la estrategia de generación de anclas se optimiza según la cantidad de ácaros. Los resultados experimentales en el conjunto de datos de ácaros de trigo recién establecido validaron nuestro modelo propuesto, obteniendo un 81.7% de mAP, que es superior a otros métodos avanzados de detección de objetos en la detección de ácaros araña del trigo.