El arroz es un cultivo alimentario crucial, pero a menudo se ve afectado por enfermedades durante su proceso de crecimiento. Algunas de las enfermedades más comunes incluyen el tizón del arroz, la mancha foliar de lino y la marchitez bacteriana. Estas enfermedades son generalizadas, altamente infecciosas y causan daños significativos, lo que representa un gran desafío para el desarrollo agrícola. Los principales problemas en la clasificación de enfermedades del arroz son los siguientes: (1) Las imágenes de enfermedades del arroz que se recopilaron contienen ruido y bordes borrosos, lo que puede obstaculizar la capacidad de la red para extraer con precisión las características de las enfermedades. (2) La clasificación de imágenes de enfermedades es una tarea desafiante debido a la alta diversidad intra-clase y la similitud inter-clase de las enfermedades foliares del arroz. Este documento propone el algoritmo Candy, una técnica de mejora de imágenes que utiliza un filtrado mejorado del operador Canny (el algoritmo de detección de bordes gravitacional) para enfatizar las características de borde de las imágenes de arroz y minimizar el ruido presente en las imágenes. Además, se diseña una nueva red neuronal (ICAI-V4) basada en la estructura de respaldo Inception-V4, con un mecanismo de atención por coordenadas añadido para mejorar la captura de características y el rendimiento general del modelo. La estructura de respaldo INCV incorpora estructuras Inception-iv y Reduction-iv, con la adición de involución para mejorar las capacidades de extracción de características de la red desde una perspectiva de canal. Esto permite que la red clasifique mejor imágenes similares de enfermedades del arroz. Para abordar el problema de la muerte de neuronas causado por la función de activación ReLU y mejorar la robustez del modelo, se utiliza Leaky ReLU. Nuestros experimentos, realizados utilizando el método de validación cruzada de 10 pliegues y 10,241 imágenes, muestran que ICAI-V4 tiene una precisión de clasificación promedio del 95.57%. Estos resultados indican el fuerte rendimiento y la viabilidad del método para la clasificación de enfermedades del arroz en escenarios de la vida real.