La clave para una deshierba precisa en el campo radica en la detección eficiente de las malas hierbas. No hay estudios sobre la detección de malas hierbas en campos de patatas. Dadas las dificultades que plantea el crecimiento cruzado de patatas y malas hierbas para la detección de estas últimas, los métodos de detección existentes no pueden satisfacer los requisitos de velocidad y precisión de detección al mismo tiempo. Este estudio propone un modelo YOLOv4 mejorado para la detección de malas hierbas en campos de patatas. El algoritmo propuesto reemplaza la red principal CSPDarknet53 en la estructura de red YOLOv4 con la red ligera MobileNetV3 e introduce convoluciones separables en profundidad en lugar de convoluciones tradicionales parciales en la Red de Agregación de Rutas (PANet), lo que reduce el costo computacional del modelo y acelera su detección. Con el fin de mejorar la precisión de detección, el módulo de atención de bloque convolucional (CBAM) se fusiona en la estructura de PANet, y el CBAM procesará el mapa de características de entrada con un mecanismo de atención de canal (CAM) y un mecanismo de atención espacial (SAM), respectivamente, lo que puede mejorar la extracción de información de características útiles. Se utiliza el algoritmo de agrupamiento K-means++ en lugar del algoritmo de agrupamiento K-means para actualizar la información de la caja de anclaje del modelo para que las cajas de anclaje sean más adecuadas para los conjuntos de datos de este estudio. Se utilizan varios métodos de procesamiento de imágenes como CLAHE, MSR, SSR y gamma para aumentar la robustez del modelo, lo que elimina el problema del sobreajuste. Se utiliza CIoU como función de pérdida, y se utiliza el método de decaimiento del coseno para ajustar la tasa de aprendizaje y hacer que el modelo converja más rápido. Basándose en los métodos mejorados mencionados anteriormente, proponemos el modelo MC-YOLOv4. El valor de mAP del modelo MC-YOLOv4 en la detección de malas hierbas en el campo de patatas fue del 98,52%, lo que fue un 3,2%, 4,48%, 2,32%, 0,06% y 19,86% más alto que YOLOv4, YOLOv4-tiny, Faster R-CNN, YOLOv5 l y SSD (MobilenetV2), respectivamente, y el tiempo de detección promedio de una sola imagen fue de 12,49 ms. Los resultados muestran que el método optimizado propuesto en este documento supera a otros modelos de detección de objetivos comúnmente utilizados en términos de huella del modelo, consumo de tiempo de detección y precisión de detección. Este documento puede proporcionar un método factible de identificación de malas hierbas en tiempo real para el sistema de deshierba precisa en campos de patatas con recursos de hardware limitados. Este modelo también proporciona una referencia para la detección eficiente de malas hierbas en otros campos de cultivo y brinda apoyo teórico y técnico para el control automático de las malas hierbas.