En la agricultura de precisión, el monitoreo efectivo de las regiones de plagas de maíz es crucial para desarrollar estrategias tempranas de prevención científica y reducir las pérdidas de rendimiento. Sin embargo, los antecedentes complejos y los objetos pequeños en los campos reales presentan desafíos para la detección precisa. En este documento, proponemos un modelo mejorado basado en YOLOv4 que utiliza información contextual y un mecanismo de atención. En primer lugar, se diseña un módulo de contextualización con una arquitectura simple, donde se fusionan características efectivas de diferentes capas como características contextuales adicionales para aumentar la representación de características de la región de plagas. En segundo lugar, proponemos un mecanismo de atención mixto a varias escalas (MSMAM) con mayor enfoque en las regiones de plagas y reducción de la interferencia de ruido. Finalmente, se aplica un módulo de fusión de características de atención mixta (MAFF) con MSMAM como núcleo para fusionar selectivamente información efectiva de características adicionales de diferentes escalas y aliviar las inconsistencias en su fusión. Los resultados experimentales muestran que el modelo mejorado tiene un mejor rendimiento en diferentes ciclos de crecimiento y antecedentes de maíz, como el maíz en el 12º ciclo vegetativo, la etapa de espigamiento vegetativo y el conjunto de datos en general. En comparación con el modelo base (YOLOv4), nuestro modelo logra una mejor precisión promedio (AP) en un 6.23%, 6.08% y 7.2%, respectivamente. Además, se realizaron varios experimentos comparativos en conjuntos de datos con diferentes ciclos de crecimiento y antecedentes de maíz, y los resultados verificaron la efectividad y la usabilidad del método propuesto para tales tareas, brindando referencia técnica e investigación teórica para la identificación automática y el control de plagas.