该架构是面向番茄病害检测的视觉语言融合检测方案，原始番茄数据集包含 10 个类别、10770 张图像，整体分为语义引导数据增强、视觉语言融合检测两大核心模块。语义引导数据增强模块首先利用大模型 LLM 结合 CoT 思维链，基于病害类别、形态、颜色、位置、严重程度生成细粒度提示词，再通过 LoRA 微调的潜扩散模型开展空间可控生成，结合病灶掩码合成病害图像；之后执行类别均衡处理，9 类病害采用可控合成方式，健康类别使用传统增强手段，每类扩充至 2000 份样本，构建总计 20000 张图像的均衡训练集。视觉语言融合检测模块中，图像输入 Swin Transformer 视觉编码器提取多尺度视觉特征，病害文本经由 CLIP 文本编码器得到文本特征，送入双向跨模态增强模块，完成语言引导查询选择、跨模态解码，最后通过检测头输出结果，训练目标融合检测损失与区域‑文本对齐对比损失，最终输出番茄病害类别与检测框。无论开展农业病害识别课题研究、多模态检测算法开发，还是 AI 数据集增强技术学习，都可以参考这套技术流程开展实验设计。