Las enfermedades del maíz se informan que ocurren con frecuencia, son complicadas y difíciles de controlar, lo que afecta seriamente el rendimiento y la calidad del maíz. Este documento propone un modelo YOLOv5n mejorado que incorpora un mecanismo de atención de coordenadas (CA) y una cabeza de detección STR (Swin Transformer), CTR_YOLOv5n, para identificar manchas comunes en hojas de maíz, manchas grises y enfermedades de óxido en aplicaciones móviles. Basándose en el modelo ligero YOLOv5n, la precisión del modelo se mejora agregando un módulo de atención CA, y la capacidad de adquisición de información global se mejora utilizando TR2 como cabeza de detección. La precisión promedio de reconocimiento del modelo de algoritmo puede alcanzar el 95.2%, que es un 2.8 por ciento más alto que el modelo original, y el tamaño de memoria se reduce a 5.1MB en comparación con los 92.9MB de YOLOv5l, que es un 94.5% más pequeño y cumple con el requisito de ser ligero. En comparación con SE, CBAM y ECA, que son los mecanismos de atención principales, el efecto de reconocimiento que utilizamos es mejor y la precisión es mayor, logrando un reconocimiento rápido y preciso de las enfermedades de las hojas de maíz con menos recursos computacionales, proporcionando nuevas ideas y métodos para el reconocimiento en tiempo real de manchas en maíz y otros cultivos en aplicaciones móviles.