Con el desarrollo y progreso de la tecnología agrícola no tripulada, los trasplantadores de arroz no tripulados se han convertido gradualmente en una parte indispensable de la producción agrícola moderna; sin embargo, en la producción real, la calidad del trabajo de los trasplantadores de arroz no tripulados no ha sido detectada de manera efectiva. Para resolver este problema, se propone en este documento un método de detección de omisión de trasplantador no tripulado. En este estudio, las imágenes RGB recolectadas en el campo se introdujeron en una red neuronal convolucional, y el centro de la caja delimitadora de la salida de la red se utilizó como las coordenadas aproximadas de las plántulas de arroz, y las filas de cultivos horizontales y verticales se ajustaron mediante el método de mínimos cuadrados, para detectar el fenómeno de omisión de arroz. Al agregar agrupación de pirámide espacial atrous y un módulo de atención de bloque convolucional a YOLOv5, se resuelve efectivamente el problema de distorsión de imagen causado por el escalado y recorte, y se mejora la precisión de reconocimiento. La precisión de este método es del 95.8%, que es un 5.6% más alta que la de otros métodos, y el puntaje F1 es del 93.39%, que es un 4.66% más alto que el del YOLOv5 original. Además, la estructura de la red es simple y fácil de entrenar, con un tiempo promedio de entrenamiento de 0.284 h, lo que puede cumplir con los requisitos de precisión y velocidad de detección en la producción real. Este estudio proporciona una base teórica efectiva para la construcción de un sistema de maquinaria agrícola no tripulada.