Detección de plagas: Este proceso es esencial para la alerta temprana de plagas en el sector agrícola. Sin embargo, los desafíos planteados por los conjuntos de datos de plagas agrícolas incluyen, entre otros, la diversidad de especies, individuos pequeños, alta concentración y alta similitud, lo que aumenta significativamente la dificultad de detección y control de plagas. Para resolver efectivamente estos problemas, este documento propone un modelo innovador de detección de objetos llamado MACNet. MACNet está optimizado en base a YOLOv8s, introduciendo una estrategia de muestreo de características basada en contenido para obtener información de características de objetos más rica, y adopta la tecnología de convolución de desplazamiento de distribución, que no solo mejora la precisión de la detección, sino que también reduce con éxito el tamaño del modelo, haciéndolo más adecuado para su implementación en el entorno real. Finalmente, nuestros resultados de prueba en el conjunto de datos Pest24 verifican el buen rendimiento de MACNet; su precisión de detección alcanza el 43.1, que es 0.5 puntos más alto que el de YOLOv8s, y el esfuerzo computacional se reduce aproximadamente en un 30%. Este logro no solo demuestra la eficiencia de MACNet en la detección de plagas agrícolas, sino que también confirma aún más el gran potencial y valor práctico de la tecnología de aprendizaje profundo en escenarios de aplicación complejos.