Las malas hierbas son un elemento inevitable en la producción agrícola, y sus significativos impactos negativos en el crecimiento de los cultivos hacen que la detección de malas hierbas sea una tarea crucial en la agricultura de precisión. La diversidad de especies de malas hierbas y el considerable ruido de fondo en las imágenes de malas hierbas plantean desafíos importantes para la detección de malas hierbas. Para abordar estos desafíos, la construcción de un conjunto de datos de alta calidad y el diseño de un modelo efectivo de inteligencia artificial son soluciones esenciales. Capturamos 2002 imágenes que contienen 10 tipos de malas hierbas de campos de algodón y maíz, estableciendo el conjunto de datos CornCottonWeed, que proporciona un amplio soporte de datos para tareas de detección de malas hierbas. Con base en este conjunto de datos, desarrollamos el modelo MKD8 para la detección de malas hierbas. Para mejorar las capacidades de extracción de características del modelo, diseñamos los módulos CVM y CKN, que alivian efectivamente los problemas de pérdida de información de características profundas y la dificultad para capturar características detalladas, lo que permite al modelo distinguir con mayor precisión entre diferentes especies de malas hierbas. Para suprimir la interferencia del ruido de fondo, diseñamos el módulo ASDW, que combina la convolución dinámica y mecanismos de atención para mejorar aún más la capacidad del modelo para diferenciar y detectar malas hierbas. Los resultados experimentales muestran que el modelo MKD8 logró un mAP y mAP del 88.6% y 78.4%, respectivamente, en el conjunto de datos CornCottonWeed, lo que representa mejoras del 9.9% y 8.5% sobre el modelo base. En el conjunto de datos público de malas hierbas CottoWeedDet12, el mAP y mAP alcanzaron el 95.3% y 90.5%, respectivamente, lo que representa mejoras del 1.0% y 1.4% sobre el modelo base.