Este estudio aborda los desafíos de la detección de enfermedades en elaeagnus angustifolia en la agricultura inteligente mediante el desarrollo de un sistema de detección que integra tecnologías avanzadas de aprendizaje profundo, incluidos Modelos de Lenguaje Grandes (LLMs), Gráficos de Conocimiento Agrícola (KGs), Redes Neuronales de Grafos (GNNs), aprendizaje de representación y técnicas de razonamiento neural-simbólico. El sistema mejora significativamente la precisión y eficiencia de la detección de enfermedades a través de un innovador mecanismo de atención de gráficos y funciones de pérdida optimizadas. Los resultados experimentales demuestran que este sistema supera significativamente a los métodos tradicionales en métricas clave como precisión, recall y exactitud, con el mecanismo de atención de gráficos destacándose en todos los aspectos, logrando en particular una precisión del 0,94, un recall del 0,92 y una exactitud del 0,93. Además, experimentos comparativos con diversas funciones de pérdida validan aún más la efectividad del mecanismo de pérdida de atención de gráficos en mejorar el rendimiento del modelo. Esta investigación no solo avanza en la aplicación del aprendizaje profundo en la detección de enfermedades agrícolas teóricamente, sino que también proporciona herramientas tecnológicas robustas para la gestión de enfermedades y el soporte a decisiones en la producción agrícola real, mostrando amplias perspectivas de aplicación y un profundo valor práctico.