El rápido avance en la agricultura inteligente ha introducido desafíos significativos, incluyendo la escasez de datos, características de enfermedades complejas y diversas, y una interferencia de fondo sustancial en los escenarios agrícolas. Para abordar estos desafíos, se propone un método de detección de enfermedades basado en el aprendizaje de pocos ejemplos y modelos generativos de difusión. Al integrar las capacidades de generación de características de alta calidad de los modelos de difusión con las ventajas de extracción de características del aprendizaje de pocos ejemplos, se ha construido un marco de trabajo de extremo a extremo para la detección de enfermedades. Los resultados experimentales demuestran que el método propuesto logra un rendimiento excepcional en tareas de detección de enfermedades. A través de experimentos exhaustivos, el modelo alcanzó puntuaciones de 0.94, 0.92, 0.93 y 0.92 en precisión, recuperación, exactitud y precisión media promedio (mAP@75), respectivamente, superando significativamente a otros modelos comparativos. Además, la incorporación de mecanismos de atención mejoró efectivamente la calidad de las representaciones de características de enfermedades y mejoró la capacidad del modelo para capturar características de grano fino.