Las malas hierbas en los campos de arroz compiten con el arroz por nutrientes y causan plagas y enfermedades, afectando significativamente el rendimiento del arroz. La detección precisa de las malas hierbas es vital para implementar la pulverización variable con vehículos aéreos no tripulados (UAV) para el control de las malas hierbas. Por lo tanto, este artículo presenta un algoritmo mejorado de detección de malas hierbas, YOLOv10n-FCDS (YOLOv10n con FasterNet, CGBlock, Dysample y Estructura de Cabeza de Detección Ligera), utilizando imágenes de UAV en campos de arroz como objeto de investigación, para abordar desafíos como la detección de objetivos pequeños, malas hierbas ocultas y malas hierbas similares al arroz. Mejoramos el modelo YOLOv10n incorporando FasterNet como la columna vertebral para una mejor detección de objetivos pequeños. CGBlock reemplazó los módulos estándar de convolución y SCDown para mejorar la capacidad de detección de malas hierbas ocultas, mientras que DySample mejoró la discriminación entre malas hierbas y arroz. Además, propusimos una cabeza de detección ligera basada en convolución compartida y escalado de escala, manteniendo la precisión al tiempo que se reducen los parámetros del modelo. Los estudios de ablación revelaron que YOLOv10n-FCDS logró un aumento del 2.6% en la precisión promedio media en la intersección sobre unión del 50% para la detección de malas hierbas, alcanzando el 87.4%. El modelo también mejoró la detección de objetivos pequeños (aumentando mAP50 en un 2.5%), la detección de malas hierbas ocultas (aumentando mAP50 en un 2.8%) y la detección de malas hierbas similares (aumentando mAP50 en un 3.0%). En conclusión, YOLOv10n-FCDS permite una detección efectiva de malas hierbas, apoyando aplicaciones de pulverización variable mediante UAVs en campos de arroz.