La gestión efectiva de las malas hierbas malignas es fundamental para el crecimiento de la soja. Este estudio se centra en abordar los desafíos críticos de las operaciones de pulverización dirigida para malas hierbas malignas como , que amenazan gravemente el rendimiento de la soja en los campos de soja. Específicamente, esta investigación tiene como objetivo abordar problemas clave en las operaciones de protección de plantas, incluida la identificación precisa de las malas hierbas, el despliegue ligero de modelos de segmentación, los requisitos en tiempo real para las operaciones de pulverización y la capacidad de generalización de los modelos en diversos entornos de campo. Para hacer frente a estos desafíos, este estudio propone un modelo mejorado de segmentación de instancias de malas hierbas basado en YOLOv8s-Seg, llamado FCB-YOLOv8s-Seg, para operaciones de pulverización dirigida en campos de soja. El modelo FCB-YOLOv8s-Seg incorpora una red de soporte ligera para acelerar los cálculos y reducir el tamaño del modelo, con módulos optimizados de Redes Squeeze-and-Excitation (SENet) y Red Piramidal de Características Bidireccionales (BiFPN) integrados en la red del cuello para mejorar la precisión en el reconocimiento de las malas hierbas. Los datos recopilados de escenas reales de campos de soja se utilizaron para el entrenamiento y las pruebas del modelo. Los resultados de los experimentos de ablación revelaron que el modelo FCB-YOLOv8s-Seg logró una precisión media promedio del 95.18% para la predicción de cajas delimitadoras y del 96.63% para la segmentación, lo que representa un aumento del 5.08% y 7.43% respecto al modelo original YOLOv8s-Seg. Manteniendo una escala de modelo equilibrada, la precisión de detección de objetos y segmentación de este modelo supera a otros modelos clásicos existentes como YOLOv5s-Seg, Mask-RCNN y YOLACT. Los resultados de detección en diferentes escenas muestran que el modelo FCB-YOLOv8s-Seg se desempeña bien en la segmentación de características detalladas en escenas complejas. En comparación con varios modelos clásicos existentes, el modelo FCB-YOLOv8s-Seg demuestra un mejor rendimiento. Además, las pruebas de campo en parcelas con diferentes densidades de malas hierbas y velocidades operativas indicaron una tasa de segmentación promedio del 91.30%, que es un 6.38% más alta que el modelo original. El algoritmo propuesto muestra una mayor precisión y rendimiento en tareas prácticas de segmentación de instancias en campo y se espera que brinde un sólido apoyo técnico para promover las operaciones de pulverización dirigidas.