El limón, como un cultivo comercial importante con un rico valor nutricional, tiene una significativa importancia en su cultivo y una demanda de mercado a nivel mundial. Sin embargo, las enfermedades del limón impactan seriamente la calidad y el rendimiento de los limones, lo que requiere su detección temprana para un control efectivo. Este documento aborda esta necesidad al recopilar un conjunto de datos de enfermedades del limón, que consiste en 726 imágenes capturadas bajo diferentes niveles de luz, etapas de crecimiento, distancias de disparo y condiciones de enfermedad. A través del recorte de imágenes de alta resolución, el conjunto de datos se amplía a 2022 imágenes, que comprenden 4441 limones sanos y 718 limones enfermos, con aproximadamente 1-6 objetivos por imagen. Luego, proponemos un nuevo modelo de enfermedad de superficie del limón YOLO (LSD-YOLO), que integra Convolución Atrous Conmutable (SAConv) y Módulo de Atención de Bloque Convolucional (CBAM), junto con el diseño de C2f-SAC y la adición de una capa de detección de pequeños objetivos para mejorar la extracción de características clave y la fusión de características a diferentes escalas. Los resultados experimentales demuestran que el LSD-YOLO propuesto alcanza una precisión del 90.62% en los conjuntos de datos recopilados, con un mAP@50-95 que alcanza el 80.84%. En comparación con el modelo original YOLOv8n, tanto las métricas mAP@50 como mAP@50-95 se mejoran. Por lo tanto, el modelo LSD-YOLO propuesto en este estudio proporciona un reconocimiento más preciso de limones sanos y enfermos, contribuyendo de manera efectiva a resolver el problema de detección de enfermedades del limón.