El caso de semillas de maíz dispersas al azar presenta el problema de un fondo complejo y una alta densidad, lo que dificulta la detección. Para abordar este desafío, este artículo propone un modelo YOLOv8n mejorado (OBW-YOLO) para detectar semillas de maíz dañadas. La introducción del módulo C2f-ODConv mejora la capacidad del modelo para extraer características dañadas, especialmente en escenarios complejos, lo que permite una mejor captura de información local. El módulo mejorado BIMFPN optimiza la fusión de características superficiales y profundas, reduce la pérdida de detalles y mejora la precisión de detección. Para acelerar la convergencia del modelo y mejorar la precisión de la detección, la función de pérdida de cuadro delimitador tradicional ha sido reemplazada por WIoU, mejorando significativamente tanto la precisión como la velocidad de convergencia. Los resultados experimentales muestran que el modelo OBW-YOLO logra una precisión de detección del 93.6%, con mAP@0.5 y mAP@0.5:0.95 alcanzando el 97.6% y el 84.8%, respectivamente, lo que representa una mejora del 2.5%, 1% y 1.2% en comparación con modelos anteriores. Además, el número de parámetros y tamaños de modelo se han reducido en un 33% y un 22.5%, respectivamente. En comparación con otros modelos YOLO, OBW-YOLO demuestra ventajas significativas tanto en precisión como en mAP. Experimentos de ablación validan aún más la efectividad de las mejoras, y el análisis de mapas de calor muestra que el modelo mejorado es más preciso en la captura de las características dañadas de las semillas de maíz. Estas mejoras permiten que el modelo OBW-YOLO logre mejoras significativas en la detección de daños en semillas de maíz, proporcionando una solución efectiva para la inspección automatizada de calidad de semillas de maíz en el campo agrícola.