Las borlas de maíz son órganos fenotípicos críticos en el maíz, y su cantidad es esencial para determinar las etapas de espigamiento, estimar el potencial de rendimiento, monitorear el estado de crecimiento y apoyar los programas de mejoramiento de cultivos. Sin embargo, la identificación de borlas en entornos de campo complejos presenta desafíos significativos debido a la oclusión, condiciones de iluminación variables, complejidades de objetivos a múltiples escalas y los patrones de crecimiento asincrónicos e irregulares característicos de las borlas de maíz. En respuesta a estos desafíos, este documento presenta un modelo DMSF-YOLO para la detección de borlas de maíz. En el frente de la red, las convoluciones convencionales se reemplazan con convoluciones de parámetros condicionales (CondConv) para mejorar las capacidades de extracción de características. Se diseña una nueva arquitectura de red DMSF-P2, que incluye un módulo de fusión a múltiples escalas (SSFF-D), un módulo de empalme de escalas (TFE) y una capa de detección de objetos pequeños (P2), que mejora aún más las capacidades de fusión de características del modelo. Al integrar una cabeza de detección dinámica (Dyhead), se logra una precisión de reconocimiento superior para las borlas de maíz en varias escalas. Además, se utiliza la función de pérdida Wise-IoU para mejorar la precisión de localización y fortalecer la capacidad de adaptación del modelo. Los resultados experimentales demuestran que en nuestro conjunto de datos de detección de borlas de maíz autoconstruido, el modelo DMSF-YOLO propuesto muestra una superioridad notable en comparación con el modelo YOLOv8n de referencia, con una precisión (P), recuperación (R), y aumentando en 0,5%, 3,4%, 2,4% y 3,9%, respectivamente. Este enfoque permite una detección precisa y confiable de borlas de maíz en entornos de campo complejos, proporcionando un soporte técnico efectivo para la gestión precisa de campos de cultivo de maíz.