Las enfermedades de los cultivos y las plagas son factores importantes que restringen la producción agrícola. Los métodos tradicionales de detección de plagas se dirigen principalmente a una sola especie de plaga, lo que dificulta satisfacer las necesidades de identificación de múltiples objetivos y respuesta rápida en escenas reales. Por lo tanto, este trabajo mejora el modelo YOLOv8n para una detección eficiente de múltiples plagas. Se proponen dos módulos de mejora de características, EMSFEM y AFEM_SIE, en este documento. El módulo EMSFEM enriquece el campo receptivo del modelo a través de la combinación de un núcleo de convolución asimétrico de múltiples escalas y diferentes tasas de expansión, y puede extraer mejor la información de ancho, alto, textura y borde del objetivo. El módulo AFEM_SIE captura las similitudes y diferencias entre las características superiores e inferiores a través del intercambio de información espacial y mejora la representación de características a través del intercambio de información entre características. Además, se propone una operación de fusión de características mejorada, Concat_Weighting, sobre la base de Concat. El módulo utiliza los pesos aprendidos para llevar a cabo una ponderación de canales y una ponderación de gráficos de características para las características de entrada, lo que realiza una fusión de características más flexible y efectiva. Los resultados de experimentos realizados en el conjunto de datos de enfermedades y plagas de cultivos a gran escala IP102 disponible públicamente muestran que el rendimiento del modelo AEC-YOLOv8n mejora significativamente en comparación con el modelo YOLOv8n original, con un aumento del mAP50 del 8.9%, una precisión aumentada del 6.8% y una tasa de recuperación aumentada del 6.3%. El modelo AEC-YOLOv8n propuesto en este estudio puede identificar y tratar de manera efectiva una variedad de plagas de cultivos y ha logrado la mejor precisión de detección en el conjunto de datos IP102, lo que tiene un alto valor de aplicación.