El monitoreo de cultivos se enfoca en detectar e identificar numerosos cultivos dentro de una región limitada. Un desafío importante surge del hecho de que los cultivos objetivo suelen ser más pequeños en tamaño en comparación con la resolución de la imagen, como se ve en el caso de las plantas de arroz. Por ejemplo, una planta de arroz puede abarcar solo unos pocos docenas de píxeles en una imagen aérea que comprende miles a millones de píxeles. Esta discrepancia de tamaño dificulta el rendimiento de los métodos de detección estándar. Para superar este desafío, nuestra solución propuesta incluye un método de recorte de cuadrícula en tiempo de prueba para reducir la brecha de escala entre las plantas de arroz e imágenes aéreas, un método de predicción multi-escala para una detección mejorada utilizando imágenes recortadas basadas en escalas variables, y un mean-NMS para evitar la exclusión potencial de objetos detectados prometedores durante la etapa de NMS. Además, presentamos un detector de objetos eficiente, el Enhanced CSL-YOLO, para acelerar el proceso de detección. En un análisis comparativo con dos modelos avanzados basados en el conjunto de pruebas público del AI CUP 2021, nuestro método demostró un rendimiento superior, logrando aumentos notables del 4.6% y 2.2% en la puntuación F1, mostrando resultados impresionantes.