Las papas semilla sin brotes suelen necesitar ser seleccionadas manualmente en la producción mecanizada, lo cual ha sido el cuello de botella de la eficiencia. Se requiere un algoritmo de reconocimiento de objetos rápido y eficiente para el proceso adicional de eliminación para identificar papas semilla no calificadas. En este documento, se propone un algoritmo de aprendizaje profundo ligero, YOLOv8_EBG, para mejorar tanto el rendimiento de detección como para reducir los parámetros del modelo. Se introdujo el mecanismo de atención ECA en la columna vertebral y el cuello del modelo para extraer y fusionar de manera más precisa las características de brotación. Para reducir aún más los parámetros del modelo, se introdujeron la convolución Ghost y C3ghost para reemplazar la convolución normal y los bloques C2f en el YOLOv8n original. Además, se integró una red de pirámide de características bidireccional en la parte del cuello para la fusión de características a múltiples escalas y así mejorar la precisión de detección. Los resultados experimentales de un conjunto de datos de prueba aislado muestran que el algoritmo propuesto tiene un mejor desempeño en la detección de brotes en condiciones de luz natural, logrando un mAP del 95.7% y un AP del 91.9% para el reconocimiento de brotes. En comparación con el modelo YOLOv8n, el modelo mejorado mostró un aumento del 6.5% en mAP, un aumento del 12.9% en AP para el reconocimiento de brotes y una disminución del 5.6% en el número de parámetros. Además, el algoritmo mejorado se aplicó y probó en equipos de clasificación mecanizados, y la precisión de detección de papas semilla fue de hasta el 92.5%, lo cual fue suficiente para identificar y seleccionar papas germinadas, un paso indispensable ya que solo las papas germinadas pueden ser utilizadas como papas semilla. Los resultados del estudio pueden proporcionar soporte técnico para la inteligencia en la siembra de papas posterior.