Las plagas han causado pérdidas significativas a la agricultura, aumentando considerablemente la detección de plagas en el proceso de siembra y el costo de la gestión de plagas en las etapas iniciales. En este momento, los avances en visión por computadora y aprendizaje profundo para la detección de plagas que aparecen en el cultivo abren la puerta a la aplicación de algoritmos de detección de objetivos que pueden mejorar en gran medida la eficiencia de la detección de plagas en tomates y desempeñar un papel técnico importante en la realización de la siembra inteligente de tomates. Sin embargo, en el entorno natural, las plagas de las hojas de tomate son pequeñas en tamaño, grandes en similitud y grandes en variabilidad ambiental, y este tipo de situación puede llevar a una mayor dificultad de detección. Apuntando a los problemas mencionados anteriormente, en este documento se propone un modelo de detección de objetivos basado en aprendizaje profundo, YOLONDD. El diseño de una nueva función de pérdida, NMIoU (Distancia de Wasserstein Normalizada con Intersección de Distancia Promedio de Pares sobre Unión), mejora la capacidad de procesamiento de anomalías, mejora la capacidad del modelo para detectar e identificar objetos de diferentes escalas y mejora la robustez a los cambios de escala; Agregar una cabeza dinámica (DyHead) con un mecanismo de atención mejorará la capacidad de detección de objetivos en diferentes escalas, reducirá el número de cálculos y parámetros, mejorará la precisión de la detección de objetivos, mejorará el rendimiento general del modelo y acelerará el proceso de entrenamiento. Agregar una cabeza desacoplada a la cabeza puede reducir efectivamente el número de parámetros y la complejidad computacional y mejorar la capacidad de generalización y la robustez del modelo. Los resultados experimentales muestran que la precisión promedio de YOLONDD puede alcanzar el 90.1%, que es un 3.33% más alta que el algoritmo YOLOv5 original y es mejor que SSD, Faster R-CNN, YOLOv7, YOLOv8, RetinaNet y otras redes de detección de objetivos, y puede utilizarse de manera más eficiente y precisa en la detección de plagas en las hojas de tomate.