Los métodos tradicionales de diagnóstico de enfermedades de plantas se basan principalmente en el diagnóstico de expertos, lo que conduce fácilmente al atraso en el control de enfermedades de cultivos y la gestión de campos. En este documento, para mejorar la velocidad y precisión de la clasificación de enfermedades, se propone un método de detección y clasificación de enfermedades de plantas basado en el modelo YOLOv5 ligero optimizado. Se propone un mecanismo IASM para mejorar la precisión y eficiencia del modelo, lograr la reducción de peso del modelo a través de Ghostnet y la estructura WBF, y combinar BiFPN y fusión de normalización rápida para la fusión de características ponderadas y acelerar la eficiencia de aprendizaje de cada capa de características. Para verificar el efecto del modelo optimizado, realizamos una prueba de comparación de rendimiento y una prueba de ablación entre el modelo optimizado y otros modelos principales. Los resultados muestran que el tiempo de operación y la precisión del modelo optimizado son un 11.8% y un 3.98% más altos que el modelo original, respectivamente, mientras que el puntaje F1 alcanza el 92.65%, lo que destaca métricas estadísticas mejores que los modelos principales actuales. Además, la tasa de precisión de clasificación en el conjunto de datos hecho a medida alcanza el 92.57%, lo que indica la efectividad del modelo de clasificación de enfermedades de plantas propuesto en este documento, y la capacidad de aprendizaje por transferencia del modelo puede ser utilizada para ampliar el alcance de aplicación en el futuro.