La identificación precisa de enfermedades del arroz es crucial para mejorar el rendimiento del arroz y garantizar la seguridad alimentaria. En este estudio, construimos un conjunto de datos de imágenes que contiene seis clases de enfermedades del arroz capturadas en condiciones reales de campo para abordar desafíos como fondos complejos, iluminación variable y similitudes de síntomas. Basándonos en la arquitectura MobileViT-XXS, propusimos un modelo mejorado llamado MobileViT-DAP, que integra bloques de Atención de Canal (CA), Atención de Canal Eficiente (ECA) y PoolFormer para lograr una clasificación precisa de enfermedades del arroz. Los resultados experimentales demostraron que el modelo mejorado logró un rendimiento superior con 0.75 M Params y 0.23 G FLOPs, garantizando eficiencia computacional manteniendo una alta precisión de clasificación. En el conjunto de pruebas, el modelo logró una precisión del 99.61%, una precisión del 99.64%, un recuerdo del 99.59% y una especificidad del 99.92%. En comparación con modelos ligeros tradicionales, MobileViT-DAP mostró mejoras significativas en la complejidad del modelo, eficiencia computacional y rendimiento de clasificación, equilibrando efectivamente el diseño ligero con alta precisión. Además, el análisis de visualización confirmó que el proceso de toma de decisiones del modelo depende principalmente de características relacionadas con las lesiones, mejorando su interpretabilidad y confiabilidad. Este estudio proporciona una nueva perspectiva para optimizar tareas de reconocimiento de enfermedades de plantas y contribuye a mejorar las estrategias de protección de plantas, ofreciendo una solución para el monitoreo preciso y eficiente de enfermedades en aplicaciones agrícolas.