La detección rápida y precisa de las malas hierbas es el requisito previo y la base para el deshierbe de precisión, la automatización y las operaciones de campo inteligentes. Debido a la amplia variedad de malas hierbas en el campo y sus significativas diferencias morfológicas, la mayoría de los métodos de detección existentes solo pueden reconocer los cultivos principales y las malas hierbas, con una necesidad apremiante de mejorar la precisión. Este estudio presenta un enfoque novedoso de detección de malas hierbas que integra la GFPN (Red de Pirámide de Características Verdes), Slide Loss y multi-SEAM (Módulos de Atención Espacial y Mejora) para mejorar la precisión y la eficiencia. Este enfoque reconoce plántulas de cultivos utilizando un algoritmo YOLO v8 mejorado, seguido de la detección inversa de malas hierbas a través de la tecnología de procesamiento gráfico. Los resultados experimentales demostraron que el modelo YOLO v8 mejorado logró un rendimiento notable, con una precisión del 92.9%, una tasa de recuperación del 87.0% y una puntuación F1 del 90%. La velocidad de detección fue de aproximadamente 22.47 ms por imagen. Y al disparar desde una altura que oscila entre 80 cm y 100 cm en la prueba de campo, el efecto de detección de cultivos fue el mejor. Este método de detección inversa de malas hierbas aborda los desafíos planteados por la diversidad de malas hierbas y las complejidades en la modelización de reconocimiento de imágenes, contribuyendo así a la mejora de la eficiencia y calidad del deshierbe automatizado e inteligente. También proporciona un valioso apoyo técnico para el deshierbe de precisión en las operaciones agrícolas.