La identificación de enfermedades en hojas de maíz en un entorno de campo real enfrenta varias dificultades, como perturbaciones de fondo complejas, variaciones e irregularidades en las áreas de lesiones, y grandes disparidades intra-clase y pequeñas inter-clase. Los modelos tradicionales de Redes Neuronales Convolucionales (CNN) tienen una baja precisión de reconocimiento y un gran número de parámetros. En este estudio, se propone un modelo ligero de identificación de enfermedades de maíz llamado DFCANet (bloque de doble fusión con red de atención de coordenadas). El DFCANet consta principalmente de dos componentes: la fusión de características dobles con atención de coordenadas y los módulos de Muestreo hacia Abajo (DS). El bloque DFCA contiene la fusión de características dobles y los módulos de Atención de Coordenadas (CA). Para fusionar completamente las características superficiales y profundas, estas características se fusionaron dos veces. El módulo CA suprime el ruido de fondo y se enfoca en el área enferma. Además, el módulo DS se utiliza para el muestreo hacia abajo. Reduce la pérdida de información al expandir la dimensión del canal de características y la convolución Depthwise. Los resultados muestran que DFCANet tiene una precisión media de reconocimiento del 98.47%. Es más eficiente en la identificación de enfermedades en hojas de maíz en imágenes de escenas reales, en comparación con los métodos VGG16 (96.63%), ResNet50 (93.27%), EffcientNet-B0 (97.24%), ConvNeXt-B (94.18%), DenseNet121 (95.71%), MobileNet-V2 (95.41%), MobileNetv3-Large (96.33%), y ShuffleNetV2-1.0x (94.80%). Además, los Params y Flops del modelo son 1.91M y 309.1M, respectivamente, que son inferiores a los modelos de redes pesadas y la mayoría de los modelos de redes livianas. En general, este estudio proporciona un modelo novedoso, ligero y eficiente de red neuronal convolucional para la identificación de enfermedades en hojas de maíz.