Dada la grave carga económica que las enfermedades cítricas imponen a los agricultores de frutas y las industrias relacionadas, lograr una detección rápida y precisa de enfermedades es particularmente crucial. En respuesta a los desafíos planteados por plataformas con recursos limitados y fondos complejos, este documento diseña y propone un método ligero para la identificación y localización de enfermedades cítricas basado en el modelo RT-DETR-r18-GYS-RT-DETR. Este documento propone un método de optimización para la detección de objetivos que mejora significativamente el rendimiento del modelo a través de la integración tecnológica multidimensional. En primer lugar, este documento introduce las siguientes innovaciones en la estructura del modelo: (1) Se introduce un Mecanismo de Recolección y Distribución en la sección del Cuello, que mejora efectivamente la capacidad del modelo para detectar objetivos medianos a grandes mediante la fusión de características globales e inyección de información de alto nivel. (2) Se utiliza Fusión de Características de Secuencia de Escala (SSFF) para optimizar la estructura del Cuello y mejorar el rendimiento de detección del modelo para objetivos pequeños en entornos complejos. (3) Se utiliza la función de pérdida Focaler-ShapeIoU para resolver los problemas de muestras de entrenamiento desequilibradas y posicionamiento inexacto. En segundo lugar, el modelo adopta dos estrategias de optimización del modelo: (1) Se utiliza el algoritmo de poda local Group_taylor para reducir la ocupación de memoria y el número de parámetros de cálculo del modelo. (2) Se propone y adopta el marco de destilación de conocimiento de lógica de características para resolver el problema de pérdida de información causado por la diferencia estructural entre profesores y alumnos, y garantizar un buen rendimiento de detección, al tiempo que se realiza el carácter ligero del modelo. Los resultados experimentales muestran que el modelo GYS-RT-DETR tiene una precisión del 79,1%, una recuperación del 77,9%, un puntaje F1 del 78,0%, un tamaño de modelo de 23,0 MB y un valor de mAP del 77,8%. En comparación con el modelo original, la precisión, la recuperación, el puntaje F1, el valor mAP y el valor FPS han mejorado en un 3,5%, 5,3%, 5,0%, 5,3% y 10,3 f/s, respectivamente. Además, el uso de memoria del modelo GYS-RT-DETR ha disminuido en 25,5 MB en comparación con el modelo original. El modelo GYS-RT-DETR propuesto en este artículo puede detectar eficazmente diversas enfermedades cítricas en entornos complejos, abordando la naturaleza que consume tiempo de la detección manual y mejorando la precisión de la detección del modelo, proporcionando así una base teórica efectiva para la detección automatizada de enfermedades cítricas.