这是面向番茄病害检测的视觉‑语言融合整体技术框架图，整套流程分为数据集增强模块与视觉语言融合检测器两大核心部分。原始番茄数据集包含 10 类病害，共计 10770 张图片，存在天然类别不平衡问题。数据增强模块利用大模型引导思维链提示词生成，结合空间掩码约束潜扩散模型，借助 LoRA 适配与注意力定位完成目标定位与类别均衡，最终生成类别均衡增强数据集，目标构建 20000 张图像，每类各 2000 个样本，缓解样本不均衡难题。视觉‑语言融合检测器中，图像输入经由 Swin Transformer 图像编码器提取视觉特征，病害类别描述与细粒度提示词送入 CLIP 文本编码器提取文本特征；通过双向跨模态增强实现视觉与文本 token 交互，再执行语言引导查询筛选完成语义过滤，最后经过跨模态解码器与预测头，输出病害类别与检测包围框，完成番茄病害定位与分类识别。该方案融合大模型、扩散模型与多模态检测技术，解决农业病害样本不均衡与识别精度不足的痛点，无论农业 AI 科研人员、计算机视觉方向研究生还是智慧农业项目开发人员，都可以参考该框架开展病害检测相关研究与工程实现。