Las enfermedades de las plantas pueden obstaculizar gravemente el crecimiento y rendimiento de las plantas. Actualmente, estas enfermedades a menudo manifiestan síntomas diversos, caracterizados por pequeños objetivos y altas cantidades. Sin embargo, los algoritmos existentes no abordan adecuadamente estos desafíos. Por lo tanto, este documento propone mejorar la detección de enfermedades de las plantas mediante la mejora de un modelo basado en YOLOV7. Inicialmente, fortalecemos la fusión de características a múltiples escalas utilizando la cuarta capa de predicción. Posteriormente, reducimos los parámetros del modelo y la carga computacional con la estructura DW-ELAN, seguida de la optimización del proceso de submuestreo utilizando el módulo SPD-MP mejorado. Además, mejoramos el mecanismo de atención Soft-SimAM para priorizar componentes de características cruciales y suprimir información irrelevante. Para distinguir los centroides de las cajas delimitadoras predichas y reales que se superponen, proponemos la función de pérdida APEIOU y refinamos la fórmula de compensación y la estrategia de coincidencia de cuadrícula, aumentando significativamente las muestras positivas. Entrenamos el modelo mejorado utilizando aprendizaje por transferencia. Los resultados experimentales muestran mejoras significativas: el mAP, la puntuación F1, la Recuperación y la Precisión son del 96,75%, 0,94, 89,69% y 97,64%, respectivamente. En comparación con el YOLOV7 original, las mejoras son del 5,79%, 7,00%, 9,43% y 3,30%. El modelo mejorado supera al original, lo que permite una detección más precisa de las enfermedades de las plantas.