Este artículo presenta un nuevo modelo de aprendizaje profundo para la detección de enfermedades en uvas que integra datos multimodales y funciones de activación heterogéneas en paralelo, mejorando significativamente la precisión y robustez de la detección. A través de experimentos, el modelo demostró un excelente rendimiento en la detección de enfermedades en uvas, logrando una precisión del 91%, una exactitud del 93%, un recall del 90%, una precisión media promedio (mAP) del 91% y 56 fotogramas por segundo (FPS), superando a modelos tradicionales de aprendizaje profundo como YOLOv3, YOLOv5, DEtection TRansformer (DETR), TinySegformer y Tranvolution-GAN. Para satisfacer las demandas de detección rápida en el lugar, este estudio también desarrolló un modelo ligero para dispositivos móviles, implementado con éxito en el iPhone 15. Se utilizaron técnicas como la poda estructural, la cuantización y la convolución separable por profundidad para reducir significativamente la complejidad computacional y el consumo de recursos del modelo, asegurando un funcionamiento eficiente y un rendimiento en tiempo real. Estos logros no solo avanzan en el desarrollo de tecnologías agrícolas inteligentes, sino que también proporcionan nuevas soluciones técnicas y herramientas prácticas para la detección de enfermedades.