La invasión de enfermedades agrícolas y plagas de insectos es una gran dificultad para el crecimiento de los cultivos. La detección de enfermedades y plagas es una tarea muy desafiante. La diversidad de enfermedades y plagas en términos de formas, colores y tamaños, así como los cambios en el entorno de iluminación, tienen un gran impacto en la precisión de los resultados de detección. Mejoramos el módulo C2F basado en DenseBlock y propusimos DCF para extraer características de nivel bajo como la textura de borde de las plagas y enfermedades. A través de la sensibilidad de las características de nivel bajo a la diversidad de plagas y enfermedades, el módulo DCF puede hacer frente mejor a tareas de detección complejas y mejorar la precisión y robustez de la detección. El entorno de fondo complejo de plagas y enfermedades y las diferentes condiciones de iluminación hacen que el conjunto de datos IP102 tenga fuertes características no lineales. Se selecciona la función de activación Mish para reemplazar el módulo CBS con el CBM, lo que puede aprender mejor las características no lineales de los datos y resolver efectivamente los problemas de desaparición de gradientes en el proceso de entrenamiento del algoritmo. Los experimentos muestran que el avanzado algoritmo Yolov8 ha mejorado. Comparando con Yolov8, nuestro algoritmo mejora el índice MAP50, el índice de Precisión y el índice de Recall en un 2%, 1.3% y 3.7%. El modelo en este documento tiene una mayor precisión y versatilidad.