该框架为番茄病害视觉语言检测技术流程，原始番茄子集包含 10 个类别、10770 张真实设施场景图像，整体分为数据增强、视觉‑语言融合检测两大核心环节。数据增强环节依靠大模型引导提示词生成，通过思维链语义拆解，从诱因、形态、色彩纹理、位置、严重程度维度生成细粒度语义提示条件 P，将提示词、病灶掩码输入 LoRA 适配的 Stable Diffusion 掩码约束潜扩散模型，生成可控合成病害图像；健康类别则采用保留纹理、亮度、裁剪几何变换的传统增强方式，最终构建类别均衡训练资源库，共计 20000 张图像，每类 2000 张，同时配套提示词库。在视觉‑语言融合检测环节，Swin 图像编码器提取图像多尺度视觉特征，CLIP 文本编码器输出病害语义文本嵌入，将两类特征送入双向跨模态融合模块，完成视觉与文本信息交互，执行基于图文相似度 Top‑K 的语言引导查询选择，再经过跨模态解码器处理，输出病害类别与边界框，实现面向精度优化的番茄病害检测。无论开展农业 AI 课题研究、多模态检测算法调优，还是学习扩散模型数据集增强技术，都可以参考这套技术框架开展实验设计。