El alto costo del control manual de malezas y el uso excesivo de herbicidas restringen el rendimiento y la calidad de la soja. La eliminación mecánica inteligente de malezas y la aplicación precisa de pesticidas pueden utilizarse como alternativas efectivas para el control de malezas en el campo, y estas requieren una distinción precisa entre cultivos y malezas. En este documento, se utilizan imágenes de plántulas de soja y malezas en diferentes áreas de crecimiento como conjuntos de datos. En cuanto al reconocimiento de la soja, este documento diseña un algoritmo YOLOv8nGP con una optimización de red de base basada en GhostNet y un método de poda no restringido con una tasa de poda del 60%. En comparación con el YOLOv8n original, el YOLOv8nGP mejora la Precisión (), la Recuperación () y las métricas 1 en un 1,1% cada una, reduce el tamaño del modelo en 3,6 mb y el tiempo de inferencia fue de 2,2 ms, lo que podría cumplir con los requisitos de tiempo real de las operaciones de campo. En cuanto al reconocimiento de malezas, este estudio utiliza un método de segmentación de imágenes basado en el Índice Verde Excesivo Normalizado (). Después de filtrar las plántulas de soja, se extraen las partes verdes de la imagen para el reconocimiento de malezas, lo que reduce la dependencia de la diversidad de los conjuntos de datos de malezas. Este estudio combina el aprendizaje profundo con algoritmos tradicionales, lo que proporciona una nueva solución para el reconocimiento de malezas en plántulas de soja.