Para resolver el bajo reconocimiento del grado de rotura de granos de maíz y el grado de moho de los granos de maíz durante la cosecha de granos de maíz, este documento propone un método de detección en tiempo real para la rotura y el moho de granos de maíz basado en YOlOv5s mejorado, que se denomina algoritmo del modelo CST-YOLOv5s en este documento. El método obtiene continuamente imágenes a través del dispositivo de muestreo uniforme discreto de granos de maíz y genera muestras de conjunto de datos de granos de maíz enteros, granos de maíz rotos y granos de maíz con moho. Nos enfocamos en los problemas de la alta similitud de algunas características de granos de maíz en las imágenes adquiridas y la baja precisión del reconocimiento de rotura y moho de granos de maíz. En primer lugar, se agrega el mecanismo de atención CBAM a la red de base de YOLOv5s para asignar y procesar finamente la información de características, resaltando las características de rotura y moho de maíz. En segundo lugar, se adopta la estructura de agrupamiento piramidal SPPCPSC, que integra redes locales de etapas cruzadas, para reemplazar el SPPF en YOLOv5s. Se utilizan tecnologías SPP y CPSC para extraer y fusionar características de diferentes escalas, mejorando la precisión de la detección de objetos. Finalmente, la cabeza de predicción original se convierte en una cabeza de predicción de transformador para explorar el potencial de predicción con un mecanismo de atención de múltiples cabezas. Los resultados experimentales muestran que el modelo CST-YOLOv5s tiene una mejora significativa en la detección de la rotura y el moho de granos de maíz. En comparación con el modelo YOLOv5s original, la precisión promedio de la rotura y el reconocimiento del moho de granos de maíz aumentó en un 5,2% y 7,1%, respectivamente, y la precisión promedio de todos los tipos de reconocimiento de granos de maíz es del 96,1%, y la velocidad de cuadros es de 36,7 FPS. En comparación con los algoritmos de modelos de detección YOLOv4-tiny, YOLOv6n, YOLOv7, YOLOv8s y YOLOv9-E, el modelo CST-YOLOv5s tiene un mejor rendimiento general en términos de precisión y velocidad de detección. Este estudio puede proporcionar una referencia para la detección en tiempo real de granos de maíz rotos y con moho durante el proceso de cosecha de granos de maíz.