La identificación efectiva de enfermedades en las hojas de manzana puede reducir la aplicación de pesticidas y mejorar el rendimiento de la fruta, lo cual es significativo para la agricultura. Sin embargo, los modelos existentes de detección de enfermedades en las hojas de manzana carecen de consideración de la diversidad y precisión de las enfermedades, lo que obstaculiza la aplicación de la agricultura inteligente en la industria de la manzana. En este artículo, exploramos un modelo de detección preciso y robusto para enfermedades en las hojas de manzana llamado Apple-Net, mejorando la red convencional YOLOv5 al agregar el Módulo de Mejora de Características (FEM) y los métodos de Atención de Coordenadas (CA). La combinación de la pirámide de características y el pan en YOLOv5 puede obtener información semántica más rica y mejorar la información semántica de los mapas de características de bajo nivel, pero carece de la salida de información a múltiples escalas. Por lo tanto, se adoptó el FEM para mejorar la salida de información a múltiples escalas, y se utilizó el CA para mejorar la eficiencia de detección. Los resultados experimentales muestran que Apple-Net logra un [email protected] más alto (95.9%) y una precisión (93.1%) que cuatro modelos clásicos de detección de objetivos, demostrando así que Apple-Net logra resultados más competitivos en la identificación de enfermedades en las hojas de manzana.