La detección de enfermedades en plantas es esencial para optimizar la productividad agrícola y la calidad de los cultivos. Con el reciente advenimiento del aprendizaje profundo y conjuntos de datos de enfermedades de plantas a gran escala, muchos estudios han mostrado un alto rendimiento de detectores de enfermedades de plantas basados en el aprendizaje supervisado. Sin embargo, estos estudios aún tienen limitaciones debido a dos aspectos. En primer lugar, el costo de etiquetado y los problemas de desequilibrio de clases siguen siendo desafiantes en los métodos basados en el aprendizaje supervisado. En segundo lugar, los conjuntos de datos de enfermedades de plantas son o bien no estructurados o débilmente estructurados y las formas de las hojas y las áreas enfermas en ellas son variables, lo que hace que la detección de enfermedades de plantas sea aún más desafiante. Para superar estas limitaciones, proponemos un detector de enfermedades de plantas no supervisado consciente de la instancia, que aprovecha flujos de normalización, un mapa de saliencia visual y codificaciones posicionales. Una forma novedosa de combinar explícitamente estos métodos es el modelo propuesto, en el que el enfoque se centra en reducir el ruido de fondo. Además, para adaptar mejor el modelo al dominio de detección de enfermedades de plantas y mejorar la representación de características, un extractor de características se pre-entrena de manera auto-supervisada utilizando solo datos no etiquetados. En nuestros experimentos extensos, se muestra que el enfoque propuesto logra un rendimiento de vanguardia en conjuntos de datos ampliamente utilizados, como BRACOL (Débilmente-estructurado) y PlantVillage (No estructurado), independientemente de si el conjunto de datos es débilmente-estructurado o no estructurado.