整体流程分为五个衔接环节：第一环节为各温室本地数据，温室 A、B、C 各自持有图像与文本，存在分布差异与标签不齐的问题；第二环节为局部 LoRA 训练，各域在本地训练病害适配器，提取本域语义原型；第三环节为冲突感知聚合，检测域间梯度冲突，完成类别原型对齐与筛选；第四环节为全局 — 个性协同，维护全局共享参数的同时保留私有域适配器；第五环节为跨域泛化测试，检验模型对未见温室的泛化能力，并评估通信开销与公平性。流程下方设置反馈回路，依据各温室泛化偏差动态调整聚合权重。拟突破机制为跨域冲突感知的类别条件适配器聚合。论文论证重点在于多节点非独立同分布试验与通信成本，需至少模拟多个真实温室数据域；专利拟保护重点为类条件冲突测量、聚合阈值和安全协同更新，具体实现方式需经查新和实验验证。整套方案兼顾数据隐私保护、域间异质性处理与跨场景泛化效果，适用于农业病害识别领域的分布式建模研究，无论从事温室病害检测算法研究的科研人员，无论开展联邦学习与多模态模型训练的技术人员，无论需要在多站点协同建模中保护本地数据的农业企业研发团队，无论撰写相关学位论文与专利方案的研究生，无论关注分布式通信成本与模型公平性的工程实践者，都可以参考借鉴。