En respuesta al desafío de las bajas tasas de reconocimiento de síntomas fenotípicos similares de enfermedades del té en entornos de poca luz y la dificultad para detectar pequeñas lesiones, se propone un nuevo método adaptativo para la detección de la gravedad de las enfermedades del té. Este método integra un algoritmo de mejora de imágenes basado en una red EnlightenGAN mejorada y una versión mejorada de YOLO v8. El enfoque implica primero mejorar la red EnlightenGAN a través de un entrenamiento no emparejado en imágenes de baja intensidad de luz de varias enfermedades del té, guiando la generación de imágenes de enfermedades de alta calidad. Este paso tiene como objetivo ampliar el conjunto de datos y mejorar las características de las lesiones y los detalles de textura en condiciones de poca luz. Posteriormente, la red YOLO v8 incorpora ResNet50 como su columna vertebral, integrando módulos de atención de canal y espacial para extraer de manera efectiva características clave de los mapas de características de enfermedades. La introducción de la fusión adaptativa de características espaciales en la parte Neck del módulo YOLOv8 mejora aún más la precisión de detección, particularmente para pequeños objetivos de enfermedad en fondos complejos. Además, la arquitectura del modelo se optimiza al reemplazar los bloques Conv tradicionales por bloques ODConv e introducir un nuevo bloque ODC2f para reducir parámetros, mejorar el rendimiento y cambiar la función de pérdida de CIOU a EIOU para un reconocimiento más rápido y preciso de pequeños objetivos. Los resultados experimentales demuestran que YOLOv8-ASFF logra una precisión de detección de enfermedades del té del 87.47% y una precisión media promedio (mAP) del 95.26%. Estos resultados muestran una mejora de 2.47 puntos porcentuales sobre YOLOv8, y una ventaja significativa de 9.11, 9.55 y 7.08 puntos porcentuales sobre CornerNet, SSD, YOLOv5 y otros modelos, respectivamente. La capacidad de detectar rápida y precisamente las enfermedades del té puede ofrecer un sólido apoyo teórico para evaluar la gravedad de las enfermedades del té y gestionar el crecimiento del té. Además, su compatibilidad con dispositivos de computación en el borde y su aplicación práctica en la agricultura aumentan aún más su valor.