El nematodo de la madera de pino es responsable de la enfermedad del marchitamiento del pino, que representa una amenaza significativa para los ecosistemas forestales en todo el mundo. Si no se detecta y elimina rápidamente, la enfermedad se propaga rápidamente. Los avances en tecnologías de detección de imágenes y UAV son cruciales para el monitoreo de enfermedades, permitiendo la identificación eficiente y automatizada de la enfermedad del marchitamiento del pino. Sin embargo, persisten desafíos en la detección de la enfermedad del marchitamiento del pino, incluidos los complejos fondos de imágenes de UAV, la dificultad para extraer características sutiles y el sesgo en el marco de predicción. En este estudio, desarrollamos un conjunto de datos de sensores remotos de UAV especializado en bosques de pino, ARen, e introducimos un nuevo modelo de detección de la enfermedad del marchitamiento del pino, SLMW-Net. En primer lugar, se propone el Módulo de Extracción de Características de Autoaprendizaje (SFEM), que combina una operación de convolución y una capa de normalización aprendible, lo que resuelve eficazmente el problema de la difícil extracción de características de los pinos en fondos complejos y reduce la interferencia de regiones irrelevantes. En segundo lugar, se diseña el Mecanismo de Atención de Microcaracterísticas (MFAM) para mejorar la captura de características diminutas de los pinos infectados por enfermedades iniciales de nematodos, combinando Atención Agrupada y Alimentación Adelantada Controlada. Luego, se introduce la Pérdida de IoU Ponderada y Escalada Linealmente (WLIoU Loss), que combina el ajuste de peso y la truncación de estiramiento lineal para mejorar la estrategia de aprendizaje, aumentar el rendimiento del modelo y la capacidad de generalización. SLMW-Net se entrena en el conjunto de datos ARen autoconstruido y se compara con siete métodos existentes. Los resultados experimentales muestran que SLMW-Net supera a todos los demás métodos, logrando un mAP@0.5 del 86.7% y un mAP@0.5:0.95 del 40.1%. En comparación con el modelo base, el mAP@0.5 aumentó del 83.9% al 86.7%. Por lo tanto, el SLMW-Net propuesto ha demostrado tener fuertes capacidades para abordar tres desafíos importantes relacionados con la detección de la enfermedad del marchitamiento del pino, ayudando a proteger la salud forestal y mantener el equilibrio ecológico.