El maíz es uno de los cultivos más importantes a nivel mundial, y el diagnóstico preciso de enfermedades foliares es crucial para garantizar un aumento en los rendimientos. A pesar del progreso continuo en la tecnología de visión por computadora, la detección de enfermedades foliares en el maíz basada en aprendizaje profundo todavía depende de una gran cantidad de datos etiquetados manualmente, y el proceso de etiquetado es lento y laborioso. Además, los detectores actualmente utilizados para identificar enfermedades foliares en el maíz tienen una precisión relativamente baja en campos experimentales complejos. Por lo tanto, se propone el Profesor Agronómico, un algoritmo de detección de objetos que utiliza datos etiquetados limitados y abundantes datos no etiquetados, para el reconocimiento de enfermedades foliares en el maíz. En este trabajo, se construye un marco de detección de objetos semi-supervisado basado en un detector de una sola etapa, integrando la estrategia de Asignación de Pseudoetiquetas de Promedio Ponderado (WAP) y el detector AgroYOLO que combina la red Agro-Backbone con la red Agro-Neck. La estrategia WAP utiliza ajustes de peso para establecer la objetividad y las puntuaciones de clasificación como criterios de evaluación para la asignación de confiabilidad de pseudoetiquetas. La red Agro-Backbone extrae con precisión características de las enfermedades foliares del maíz y obtiene información semántica más rica. La red Agro-Neck mejora la fusión de características utilizando características de múltiples capas para combinaciones colaborativas. La efectividad del método propuesto se valida en los conjuntos de datos MaizeData y PascalVOC en diferentes proporciones de anotación. En comparación con el modelo base, el Profesor Agronómico aprovecha los abundantes datos no etiquetados para lograr un aumento del 6.5% en mAP (0.5) en el MaizeData etiquetado al 30%. En el conjunto de datos PascalVOC etiquetado al 30%, el mAP (0.5) mejoró un 8.2%, demostrando el potencial del método para la generalización.