Como el principal factor que afecta la producción de alimentos a nivel mundial, la identificación precisa de plagas y enfermedades agrícolas es crucial para garantizar un suministro alimentario sostenible. Sin embargo, los métodos existentes carecen de un rendimiento suficiente en cuanto a precisión y detección en tiempo real de múltiples plagas y enfermedades. En consecuencia, la identificación precisa, eficiente y en tiempo real de una amplia gama de plagas y enfermedades es un desafío. Para abordar esto, proponemos un MCD-Yolov5 con un diseño de fusión que combina fusión de características de múltiples capas (MLFF), módulo de atención de bloque convolucional CBAM y transformador de detección (DETF). En este modelo, optimizamos el diseño de MLFF para realizar el ajuste dinámico de los pesos de las características de la capa de características de entrada para (1) encontrar una distribución apropiada de la proporción de información de características para la tarea de detección, (2) mejorar la velocidad de detección extrayendo eficientemente imágenes efectivas y características efectivas a través de CBAM, y (3) mejorar la capacidad de extracción de características a través de DETF para compensar el problema de precisión de la detección de múltiples plagas. Además, establecimos un sistema de vehículo aéreo no tripulado (UAV) para la detección de plagas y enfermedades en cultivos para ayudar en la detección y prevención. Validamos el rendimiento del método propuesto a través de una plataforma UAV establecida, y se emplean cinco indicadores para cuantificar el rendimiento. MCD-Yolov5 puede detectar plagas y enfermedades con una gran mejora en la precisión y eficiencia de detección, obteniendo una precisión del 88.12%. El método y sistema propuestos ofrecen una idea para la identificación efectiva de plagas y enfermedades.