Las enfermedades de las hojas de arroz amenazan críticamente la producción global de arroz al reducir el rendimiento y la calidad de los cultivos. La detección eficiente de enfermedades en entornos de campo complejos sigue siendo un desafío persistente para la agricultura sostenible. Los métodos existentes basados en aprendizaje profundo para la detección de enfermedades de las hojas de arroz luchan con una sensibilidad inadecuada a las características sutiles de las enfermedades, una alta complejidad computacional y una precisión degradada en condiciones de campo complejas, como la interferencia de fondo y variaciones de enfermedades detalladas. Para abordar estas limitaciones, esta investigación tiene como objetivo desarrollar un modelo de detección ligero pero de alta precisión diseñado para entornos de campo complejos que equilibre la eficiencia computacional con un rendimiento robusto. Proponemos RDRM-YOLO, una red mejorada basada en YOLOv5, que integra cuatro mejoras clave: (i) se integra un módulo de fusión parcial de redes en etapas cruzadas (Hor-BNFA) dentro de la etapa de extracción de características de la red principal para mejorar la capacidad del modelo para capturar características específicas de enfermedades; (ii) se introduce una convolución de conversión de profundidad espacial (SPDConv) para ampliar el campo receptivo, mejorando la extracción de características detalladas, especialmente de pequeñas manchas de enfermedades; (iii) SPDConv también se integra en la red de cuello, donde la convolución estándar se reemplaza con un GsConv ligero para aumentar la precisión de la localización de enfermedades, la predicción de categorías y la velocidad de inferencia; y (iv) se adopta la función de pérdida de WIoU en lugar de la pérdida de CIoU para acelerar la convergencia y mejorar la precisión de detección. El modelo se entrena y evalúa utilizando un conjunto de datos completo de 5930 imágenes de muestra recolectadas en campo y aumentadas que comprenden cuatro enfermedades de hojas de arroz prevalentes: tizón bacteriano, explosión de hojas, mancha marrón y tungro. Los resultados experimentales demuestran que nuestro modelo propuesto RDRM-YOLO logra un rendimiento de vanguardia con una precisión de detección del 94.3% y una recuperación del 89.6%. Además, logra una Precisión Promedio (mAP) del 93.5%, manteniendo un tamaño de modelo compacto de apenas 7.9 MB. En comparación con los modelos Faster R-CNN, YOLOv6, YOLOv7 y YOLOv8, el modelo RDRM-YOLO demuestra una convergencia más rápida y logra los valores óptimos en Precisión, Recuperación, mAP, tamaño del modelo y velocidad de inferencia. Este trabajo proporciona una solución práctica para la monitorización en tiempo real de enfermedades del arroz en campos agrícolas, ofreciendo un equilibrio muy efectivo entre la simplicidad del modelo y el rendimiento de detección. Las mejoras propuestas son fácilmente adaptables a otras tareas de detección de enfermedades de cultivos, contribuyendo así al avance de las tecnologías de agricultura de precisión.