La detección precisa de enfermedades de la soja es un componente crítico para lograr una gestión agrícola inteligente. Sin embargo, los métodos tradicionales a menudo tienen un rendimiento inferior en escenarios de campo complejos. Este documento propone un modelo de detección de objetos basado en difusión que integra la subred de difusión endógena y la función de pérdida de difusión endógena para optimizar progresivamente las distribuciones de características, mejorando significativamente el rendimiento de detección en fondos complejos y diversas regiones de enfermedades. Los resultados experimentales demuestran que el método propuesto supera a múltiples modelos de referencia, logrando una precisión del 94%, un recall del 90%, una exactitud del 92% y un mAP@50 y mAP@75 del 92% y 91%, respectivamente, superando a RetinaNet, DETR, YOLOv10 y DETR v2. En la detección de enfermedades de alta resolución, el modelo tiene el mejor rendimiento en la detección de óxido, con una precisión del 96% y un recall del 93%. Para enfermedades más complejas como la mancha bacteriana y la pudrición de la cabeza por Fusarium, la precisión y el mAP superan el 90%. En comparación con la autoatención y CBAM, el mecanismo de atención de difusión endógena propuesto mejora aún más la precisión y robustez de la extracción de características. Este método demuestra ventajas significativas tanto en innovación teórica como en aplicación práctica, proporcionando un apoyo tecnológico crítico para la detección inteligente de enfermedades de la soja.