En respuesta a los desafíos de detectar plagas y enfermedades en el arroz en diferentes escalas y las dificultades asociadas con implementar y ejecutar modelos en dispositivos integrados con recursos computacionales limitados, este estudio propone un modelo de reconocimiento de plagas y enfermedades en el arroz a múltiples escalas (RGC-YOLO). Basado en la red YOLOv8n, que incluye una capa SPPF, el modelo introduce un módulo de reparametrización estructural (RepGhost) para lograr la reutilización implícita de características a través de la reparametrización. Las capas GhostConv reemplazan algunas convoluciones estándar, reduciendo el costo computacional del modelo y mejorando la velocidad de inferencia. Se incorpora un Módulo de Atención Híbrido (CBAM) en la red principal para mejorar la capacidad del modelo de extraer características importantes. El modelo RGC-YOLO se evalúa en precisión y tiempo de inferencia en un conjunto de datos de plagas y enfermedades en el arroz a múltiples escalas, incluyendo tizón bacteriano, explosión del arroz, mancha marrón y saltahojas del arroz. Los resultados experimentales muestran que RGC-YOLO logra una precisión (P) del 86.2%, una recuperación (R) del 90.8%, y una precisión media promedio en Intersección sobre Unión 0.5 (mAP50) del 93.2%. En cuanto al tamaño del modelo, los parámetros se reducen en un 33.2%, y los GFLOPs disminuyen en un 29.27% en comparación con el modelo base YOLOv8n. Finalmente, el modelo RGC-YOLO se implementa en un dispositivo Jetson Nano integrado, donde el tiempo de inferencia por imagen se reduce en un 21.3% en comparación con el modelo base YOLOv8n, alcanzando 170 milisegundos. Este estudio desarrolla un modelo de reconocimiento de plagas y enfermedades en el arroz a múltiples escalas, que se implementa con éxito en dispositivos de campo integrados, logrando un monitoreo en tiempo real de alta precisión y proporcionando una referencia valiosa para equipos inteligentes en granjas no tripuladas.