La cubierta de rastrojo de maíz tiene un efecto significativo en la emergencia y crecimiento de plántulas de soja. La detección de cubiertas de rastrojo de maíz es crucial para evaluar la extensión de la labranza cero y determinar subsidios para la devolución de rastrojos; sin embargo, desafíos como fondos complejos, condiciones de iluminación y ángulos de cámara dificultan la detección de la cobertura de rastrojo de maíz. Para abordar estos problemas, este estudio se centra en el rastrojo de maíz y propone un método innovador para extraer tallos de maíz en el campo, operando una plataforma de vehículo aéreo no tripulado (UAV) y un modelo U-Net. Este método combina principios de segmentación semántica con técnicas de detección de imágenes para formar una estructura de red codificador-decodificador. El modelo utiliza transfer learning reemplazando el codificador con las primeras cinco capas de la red VGG19 para extraer características esenciales de las imágenes de tallos. Además, incorpora un mecanismo de atención convolucional de módulo de atención bilineal concurrente (CBAM) para mejorar el rendimiento de segmentación de bordes intrincados de tallos rotos. Se construyó un modelo de segmentación semántica basado en U-Net específicamente para extraer tallos de maíz en el campo. El estudio también explora cómo diferentes tamaños de datos afectan los resultados de segmentación de tallos. Los resultados experimentales demuestran que nuestro algoritmo logra una precisión del 93.87% al segmentar y extraer tallos de maíz de imágenes con fondos complejos, superando a los modelos U-Net, SegNet y ResNet. Estos hallazgos indican que nuestro nuevo algoritmo segmenta eficazmente tallos de maíz en campos con fondos intrincados, proporcionando una referencia técnica para detectar la cubierta de tallos no solo en maíz sino también en otros cultivos.