Las fresas son susceptibles a diversas enfermedades durante su crecimiento, y las hojas pueden mostrar signos de enfermedades como respuesta. Dado que estas enfermedades generan pérdida de rendimiento y comprometen la calidad de las fresas, la detección oportuna es imperativa. Para identificar automáticamente enfermedades en las hojas de fresa, se introduce un modelo KTD-YOLOv8 para mejorar tanto la precisión como la velocidad. Se emplea la convolución KernelWarehouse para reemplazar el componente tradicional en la columna vertebral del YOLOv8 y reducir la complejidad computacional. Además, se añade el mecanismo de Atención Tripleta para extraer y fusionar completamente características de múltiples escalas. Además, se construye un bloque de rama diversa (DBB) de compartición de parámetros que comparte cabeza para mejorar la capacidad de procesamiento de objetivos del modelo a diferentes escalas espaciales y aumentar su precisión sin añadir demasiada carga de cálculo. Los resultados experimentales muestran que, en comparación con el YOLOv8 original, el KTD-YOLOv8 propuesto aumenta la precisión promedio en un 2.8% y reduce el cálculo de punto flotante en un 38.5%. Proporciona una nueva opción para guiar el sistema de monitoreo inteligente de plantas y el sistema de pulverización de pesticidas de precisión durante el crecimiento de las plantas de fresa.