La explosión del arroz ha causado importantes pérdidas en la producción de arroz, y por lo tanto, la detección temprana de la explosión del arroz juega un papel crucial en la seguridad alimentaria global. En este estudio, se ha diseñado una red iterativa de traducción no emparejada contrastiva semisupervisada específicamente basada en imágenes de vehículos aéreos no tripulados (UAV) para la detección de la explosión del arroz. Incorpora múltiples redes de traducción no emparejadas contrastivas críticas para generar imágenes falsas con diferentes niveles de enfermedad a través de un proceso iterativo de aumento de datos. Estas imágenes falsas generadas, junto con imágenes reales, se utilizan para establecer una red de detección llamada RiceBlastYolo. Notablemente, el modelo RiceBlastYolo integra un fpn mejorado y un enfoque general de etiquetado suave. Los resultados muestran que la precisión de detección de RiceBlastYolo es del 99.51% bajo condiciones de intersección sobre unión (IOU) y la precisión promedio es del 98.75% bajo condiciones de IOU. Las tasas de precisión y recuperación son respectivamente del 98.23% y 99.99%, que son más altas que las de los modelos de detección comunes (YOLO, YOLACT, YOLACT++, Mask R-CNN y Faster R-CNN). Además, datos externos también verificaron la capacidad del modelo. Los hallazgos demuestran que nuestro modelo propuesto puede identificar con precisión la explosión del arroz en condiciones a escala de campo.