El daño causado por las plagas a los cultivos resulta en una menor producción de cultivos y en una calidad comprometida. La detección precisa y oportuna de plagas desempeña un papel crucial en ayudar a los agricultores a defenderse y controlar las plagas. En este documento, se propone un nuevo modelo de detección de plagas en cultivos llamado YOLOv5s-pest. En primer lugar, diseñamos un módulo híbrido de pirámide espacial de agrupación rápida (HSPPF), que mejora la capacidad del modelo para capturar información de campo receptivo a múltiples escalas. En segundo lugar, diseñamos un nuevo módulo de atención de bloque convolucional (NCBAM) que resalta características clave, suprime características redundantes y mejora la precisión de detección. En tercer lugar, se introduce la convolución recursiva con compuertas () en el cuello, que amplía el potencial del mecanismo de autoatención para explorar la representación de características en un espacio de orden arbitrario, mejora la capacidad del modelo y la capacidad de detección. Finalmente, reemplazamos la supresión no máxima (NMS) en la parte de postprocesamiento con Soft-NMS, lo que mejora el problema de detección en escenas concurridas y densas. Los resultados experimentales muestran que el mAP@0.5 (precisión media promedio en la intersección sobre la unión (IoU) umbral de 0.5) de YOLOv5s-pest alcanza el 92.5% y el mAP@0.5:0.95 (precisión media promedio de IoU 0.5 a 0.95) alcanza el 72.6% en el IP16. Además, también validamos nuestro método propuesto en otros conjuntos de datos, y los resultados indican que YOLOv5s-pest también es efectivo en otras tareas de detección.