Los algoritmos inteligentes de detección de plagas son capaces de detectar y reconocer eficazmente las plagas agrícolas, proporcionando recomendaciones importantes para el control de plagas en el campo. Sin embargo, los modelos de reconocimiento existentes tienen deficiencias como una baja precisión o un gran número de parámetros. Por lo tanto, este estudio propone un algoritmo ligero y preciso para la detección de plagas en arroz basado en YOLOv8 mejorado. En primer lugar, se construye un Módulo de Atención de Bloque Convolucional de Múltiples Ramas (M-CBAM) en la red YOLOv8 para mejorar la capacidad de extracción de características de los objetivos de plagas, lo que produce mejores resultados de detección. En segundo lugar, se introduce la Distancia Mínima de Puntos de Intersección sobre Unión (MPDIoU) como métrica de pérdida de cuadro delimitador, lo que permite una convergencia más rápida del modelo y mejores resultados de detección. Por último, se utilizan módulos convolucionales Ghost ligeros para reducir significativamente los parámetros del modelo manteniendo un rendimiento de detección óptimo. Los resultados experimentales muestran que el método propuesto supera a otros modelos de detección, con mejoras observadas en todas las métricas de evaluación en comparación con el modelo base. En el conjunto de pruebas, este método logra una precisión promedio de detección del 95.8% y una puntuación F1 del 94.6%, con un parámetro del modelo de 2.15 M, cumpliendo con los requisitos de precisión y ligereza. La eficacia de este enfoque se valida mediante los hallazgos experimentales, que proporcionan soluciones específicas y referencias técnicas para la detección inteligente de plagas.