Identificar con precisión las enfermedades de las hojas de manzano en entornos de campo complejos es una preocupación crítica para la agricultura inteligente, ya que la detección temprana afecta directamente la salud del cultivo y los resultados de rendimiento. Sin embargo, el reconocimiento preciso de características sigue siendo un desafío significativo debido a la complejidad de los síntomas de la enfermedad, la interferencia del fondo y las variaciones en el color y tamaño de las lesiones. En este estudio, proponemos un marco de detección mejorado llamado DMN-YOLO. Específicamente, el modelo integra una red piramidal de características auxiliares de múltiples ramas (MAFPN), junto con los módulos de Fusión Asistida Superficial (SAF) y Fusión Auxiliar Avanzada (AAF), para fortalecer la interacción de características, retener información de capas superficiales y mejorar la transmisión de gradientes de alto nivel, mejorando así el rendimiento de detección de lesiones a múltiples escalas. Además, el módulo RepHDWConv se incorpora en la red del cuello para aumentar la capacidad representacional del modelo. Para abordar las dificultades en la detección de lesiones pequeñas y superpuestas, se introducen un decodificador RT-DETR ligero y una capa de detección dedicada (P2). Estas mejoras reducen efectivamente tanto las detecciones perdidas como las falsas. Además, se introduce una función de pérdida de distancia de Wasserstein normalizada (NWD) para mitigar errores de localización, especialmente para lesiones pequeñas o superpuestas. Los resultados experimentales demuestran que DMN-YOLO logra una ganancia del 5.5% en precisión, un aumento del 3.4% en recall y una mejora del 5.0% en mAP@50 en comparación con la línea base, mostrando una superioridad consistente en múltiples métricas de rendimiento. Este método ofrece una solución prometedora para el monitoreo robusto de enfermedades en aplicaciones inteligentes de huertos.