Con el avance en las tecnologías agrícolas modernas, garantizar la salud de los cultivos y aumentar el rendimiento se ha vuelto primordial. Este estudio tiene como objetivo abordar posibles deficiencias en los métodos existentes de detección de enfermedades en chiles, particularmente la ausencia de una arquitectura de modelo optimizada e integración de conocimientos de dominio en profundidad. Al introducir una búsqueda de arquitectura neuronal (NAS) y gráficos de conocimiento, se intenta cerrar esta brecha, apuntando a una mayor precisión y robustez en la detección. Se propone un modelo de detección de enfermedades basado en el Transformer y gráficos de conocimiento. Al evaluar varios modelos de detección de objetos en plataformas de computación en el borde, se observó que el módulo de cabeza dinámica superó el rendimiento del mecanismo de atención multi-cabeza durante el procesamiento de datos. Los resultados experimentales indicaron además que al integrar todos los métodos de aumento de datos, el modelo logró una precisión media promedio (mAP) óptima de 0.94. Además, el módulo de cabeza dinámica mostró una precisión y recordatorio superiores en comparación con el mecanismo tradicional de atención multi-cabeza. En conclusión, esta investigación ofrece una perspectiva y metodología novedosas para la detección de enfermedades en chiles, con la aspiración de que los hallazgos contribuyan al avance continuo de la agricultura moderna.