La identificación precisa de enfermedades en plantas es una tarea crítica en la producción agrícola. Los métodos existentes de reconocimiento de enfermedades de cultivos mediante aprendizaje profundo requieren un gran número de imágenes etiquetadas para el entrenamiento, lo que limita la implementación de detección a gran escala. Para superar esta limitación, este estudio explora la aplicación del aprendizaje auto-supervisado (SSL) en el reconocimiento de enfermedades en plantas. Proponemos un nuevo modelo que combina un autoencoder enmascarado (MAE) y un módulo de atención de bloque convolucional (CBAM) para aliviar los estrictos requisitos de grandes cantidades de datos etiquetados. El rendimiento del modelo fue validado en el conjunto de datos CCMT y en nuestro conjunto de datos recopilado. Los resultados muestran que el modelo mejorado logra una precisión del 95,35% y 99,61%, una recuperación del 96,2% y 98,51%, y valores de F1 del 95,52% y 98,62% en el conjunto de datos CCMT y en nuestro conjunto de datos recopilado, respectivamente. En comparación con ResNet50, ViT y MAE, las precisiones en el conjunto de datos CCMT mejoraron en un 1,2%, 0,7% y 0,8%, respectivamente, y la precisión de nuestro conjunto de datos recopilado mejoró en un 1,3%, 1,6% y 0,6%, respectivamente. A través de experimentos en 21 enfermedades foliares (tizón temprano, tizón tardío, tizón foliar, mancha foliar, etc.) de cinco cultivos, a saber, papa, maíz, tomate, anacardo y yuca, nuestro modelo logró una detección precisa y rápida de las categorías de enfermedades en plantas. Este estudio proporciona una referencia para trabajos de investigación y aplicaciones de ingeniería en la detección de enfermedades de cultivos.