, esencial para los ecosistemas urbanos y el diseño del paisaje, enfrenta desafíos en la detección de enfermedades debido a datos limitados y una precisión reducida en entornos complejos. Para abordar estos problemas, se presenta el conjunto de datos de enfermedades de hojas (HFLD-Dataset), junto con la Red Multi-Escala y Mejorada (HF-MSENet), un modelo eficiente diseñado para mejorar la precisión en la detección de enfermedades a múltiples escalas y reducir las detecciones erróneas. El Módulo Multi-Escala Espacial de Canales (CSMSM) mejora la localización y captura de características críticas, superando las limitaciones en la extracción de características a múltiples escalas causadas por una atención inadecuada a las características de la enfermedad. El módulo C3_EMSCP mejora la fusión de características a múltiples escalas combinando núcleos convolucionales a múltiples escalas y convolución de grupo, aumentando la adaptabilidad de la fusión e interacción a través de las escalas. Para abordar los errores de interpolación y el difuminado de bordes en el aumento de muestreo, el módulo DySample adapta las posiciones de muestreo utilizando un mecanismo de aprendizaje de desplazamiento dinámico. Esto, combinado con técnicas de reordenamiento de píxeles y muestreo de cuadrícula, reduce los errores de interpolación y conserva los detalles de los bordes. Los resultados experimentales muestran que HF-MSENet logra puntajes de mAP@50 y mAP%50-95 de 94.9% y 80.3%, respectivamente, superando al modelo base en 1.8% y 6.5%. En comparación con otros modelos, HF-MSENet demuestra ventajas significativas en eficiencia y robustez, ofreciendo un soporte confiable para la detección precisa de enfermedades en .