El maíz es uno de los cultivos más importantes del mundo, y las enfermedades de las hojas de maíz pueden tener un impacto directo en los rendimientos de maíz. Aunque se han aplicado métodos de detección basados en aprendizaje profundo para la detección de enfermedades de las hojas de maíz, es difícil garantizar la precisión de la detección al utilizar un modelo de detección ligero. Teniendo en cuenta los problemas mencionados anteriormente, proponemos un algoritmo de detección ligero basado en YOLOv5s mejorado. Primero, se propone el módulo Faster-C3 para reemplazar el módulo CSP original en YOLOv5s, con el fin de reducir significativamente el número de parámetros en el proceso de extracción de características. En segundo lugar, se introducen CoordConv y CARAFE mejorado en la red de cuello, para mejorar el refinamiento de la información de ubicación durante la fusión de características y refinar información semántica más rica en el proceso de muestreo descendente. Finalmente, se utiliza el método de destilación del conocimiento a nivel de canal en el entrenamiento del modelo para mejorar la precisión de la detección sin aumentar el número de parámetros del modelo. En un conjunto de datos de detección de enfermedades de las hojas de maíz (que contiene cinco enfermedades de hojas y un total de 12,957 imágenes), nuestro algoritmo propuesto tenía un 15.5% menos de parámetros que YOLOv5s, mientras que el mAP(0.5) y el mAP(0.5:0.95) fueron un 3.8% y un 1.5% más altos, respectivamente. Los experimentos demostraron la efectividad del método propuesto en este estudio y proporcionaron apoyo teórico y técnico para la detección automatizada de enfermedades de las hojas de maíz.