Para detectar rápidamente y con precisión el falso moho en el arroz, se propuso en este estudio un modelo ligero de detección de falso moho, YOLOv8n-MBS. El modelo introduce el módulo C2f_MSEC para reemplazar C2f en la red principal para una mejor extracción de características clave del falso moho, mejora la capacidad de fusión de características de la red de cuello para diferentes tamaños de falso moho utilizando una red piramidal de características bidireccionales ponderada, y diseña una cabeza de detección ligera de convolución compartida normalizada por grupo para reducir el número de parámetros en la cabeza del modelo y lograr un modelo ligero. Los resultados experimentales muestran que YOLOv8n-MBS tiene una precisión promedio del 93.9%, un recuento de parámetros de 1.4 M y un tamaño de modelo de 3.3 MB. En comparación con el modelo SSD, la precisión promedio del modelo en este estudio aumentó un 4%, el número de parámetros disminuyó un 89.8% y el tamaño del modelo disminuyó un 86.9%; en comparación con la serie YOLO de los modelos YOLOv7-tiny, YOLOv5n, YOLOv5s y YOLOv8n, el modelo YOLOv8n-MBS mostró un rendimiento sobresaliente en términos de precisión y detección de rendimiento del modelo; en comparación con los últimos modelos YOLOv9t y YOLOv10n, la precisión promedio del modelo aumentó un 2.8% y 2.2%, el número de parámetros del modelo disminuyó un 30% y 39.1%, y el tamaño del modelo disminuyó un 29.8% y 43.1%, respectivamente. Este método permite una detección más precisa y ligera del falso moho, lo que proporciona la base para la gestión inteligente de la enfermedad de la explosión del arroz en el campo y así promueve la seguridad alimentaria.