Este estudio se centra en la detección en tiempo real de hileras de cultivo de maíz utilizando tecnología de aprendizaje profundo para satisfacer las necesidades de navegación autónoma para la eliminación de malas hierbas durante la etapa de plántula de maíz. La reconocimiento de hileras de cultivo se ve afectado por factores naturales como la exposición del suelo, residuos de paja en el suelo, sombreado mutuo de hojas de plantas y condiciones de luz. Para abordar este problema, el modelo de red YOLOv5s se mejora reemplazando la red principal con el MobileNetv3 mejorado, estableciendo un modelo de red combinada YOLOv5-M3 y utilizando el módulo de atención de bloque convolucional (CBAM) para mejorar la precisión de detección. Se utiliza la Supresión de No Máximo de Distancia (-NMS) para mejorar el grado de identificación de los objetivos ocultos, y la destilación de conocimiento se utiliza para aumentar la tasa de recuperación y precisión del modelo. El modelo de detección de objetivos YOLOv5s mejorado se aplica al reconocimiento y posicionamiento de plántulas de maíz, y la posición óptima del objetivo para el deshierbe se obtiene mediante optimización de máx-mín. Los resultados experimentales muestran que el modelo de red YOLOv5-M3 logra una precisión media del 92,2% para los objetivos de cultivo y la velocidad de reconocimiento es de 39 cuadros por segundo. Este método tiene las ventajas de alta precisión de detección, velocidad rápida, es ligero y tiene una fuerte capacidad de adaptación y anti-interferencia. Determina la posición relativa de las plántulas de maíz y la máquina deshierbadora en tiempo real, evitando el aplastamiento o daño de las plántulas.