Combinar categorías de enfermedades y especies de cultivos conduce a diferencias complejas intra-clase e inter-clase. La diferencia significativa intra-clase y la sutil diferencia inter-clase representan un gran desafío para las tareas de clasificación de enfermedades de cultivos de alta precisión. Con este fin, proponemos un método de agregación de características de múltiples granularidades para identificar con precisión tipos de enfermedades y especies de cultivos, así como comprender mejor las regiones afectadas por enfermedades de forma implícita. Específicamente, para capturar pistas de discriminación detalladas para las categorías de enfermedades, primero exploramos la autoatención espacial a nivel de píxel para modelar las relaciones semánticas de a pares. En segundo lugar, utilizamos la autoatención a nivel de bloque para mejorar la capacidad de discriminación de características de diferentes especies de cultivos. Finalmente, utilizamos un módulo de razonamiento espacial para modelar la relación geométrica espacial de los parches de imagen de forma secuencial, de modo que se mejora aún más la capacidad de discriminación de características para caracterizar tanto enfermedades como especies. El modelo propuesto fue verificado en el conjunto de datos PDR2018, el conjunto de datos FGVC8 y el conjunto de datos no laboratorio PlantDoc. Los resultados experimentales demostraron que nuestro método reportó precisión de clasificación respectiva del 88.32%, 89.95% y 89.75% junto con puntuaciones F1 del 88.20%, 89.24% y 89.13% en tres conjuntos de datos. Más importante aún, la arquitectura propuesta no solo mejoró la precisión de la clasificación, sino que también prometió eficiencia del modelo con baja complejidad, lo cual es beneficioso para aplicaciones agrícolas de precisión.