En entornos agrícolas complejos, identificar con precisión y rapidez el crecimiento y las condiciones de salud de las fresas sigue siendo un desafío formidable. Por lo tanto, este estudio tiene como objetivo desarrollar un marco profundo, Disease-YOLO (D-YOLO), basado en el modelo YOLOv8s para monitorear el estado de salud de las fresas. Las innovaciones clave incluyen (1) reemplazar el esqueleto original con MobileNetv3 para optimizar la eficiencia computacional; (2) implementar una Red de Pirámide de Características Bidireccionales para una fusión de características multinivel mejorada; (3) integrar módulos de atención del Transformador Contextual en la red para mejorar la localización de lesiones; y (4) adoptar una pérdida ponderada de intersección sobre unión para abordar el desequilibrio de clases. Evaluado en nuestro conjunto de datos personalizado de enfermedades de fresas que contiene 1301 imágenes anotadas en tres etapas de desarrollo de frutas y cinco estados de salud de las plantas, D-YOLO logró un 89.6% de mAP en el conjunto de entrenamiento y un 90.5% de mAP en el conjunto de pruebas, al tiempo que reduce los parámetros en un 72.0% y las operaciones de punto flotante en un 75.1% en comparación con YOLOv8s de referencia. El rendimiento equilibrado del marco y la eficiencia computacional superan a modelos convencionales como Faster R-CNN, RetinaNet, YOLOv5s, YOLOv6s y YOLOv8s en ensayos comparativos. La validación cruzada en un conjunto de datos de enfermedades de maíz demostró la superior generalización de D-YOLO con un 94.5% de mAP, superando a YOLOv8 en un 0.6%. La solución ligera del marco permite un monitoreo preciso y en tiempo real de la salud de los cultivos. Las mejoras arquitectónicas propuestas proporcionan un paradigma práctico para la detección inteligente de enfermedades en la agricultura de precisión.