Para lograr la detección no destructiva de defectos en cacahuetes, en este artículo se propone un método de identificación de múltiples objetivos basado en el sistema multiespectral y en Faster RCNN mejorado. En cuanto al sistema, se empleó el método de contraste de raíz cuadrada media para seleccionar las longitudes de onda características de los defectos, como manchas de moho, daños mecánicos y el germen de los cacahuetes. Luego, se diseñó un sistema de fuente de luz multiespectral basado en una esfera de integración simétrica con una iluminación no uniforme del 2%. En cuanto a la mejora de Faster RCNN, se diseñaron un módulo de atención basado en textura y un módulo de mejora de características para mejorar el rendimiento de su estructura principal. En los experimentos, se recopiló un conjunto de datos multiespectral deficiente en cacahuetes con 1300 conjuntos para verificar el rendimiento de detección. Los resultados muestran que las métricas de evaluación mejoraron en comparación con la red original, especialmente en la red VGG16, donde la precisión media promedio alcanzó el 99.97%. Además, los experimentos de ablación también verifican la efectividad del módulo de textura propuesto y del módulo de mejora de textura en la detección de defectos en cacahuetes. En conclusión, el mejoramiento de la imagen de textura y la extracción eficiente son métodos efectivos para mejorar el rendimiento de la red en la detección de defectos en cacahuetes de múltiples objetivos.