En este estudio, se propone un método avanzado para la detección de enfermedades en los árboles de albaricoque que integra tecnologías de aprendizaje profundo con diversas estrategias de aumento de datos para mejorar significativamente la precisión y eficiencia de la detección de enfermedades. Se desarrolló un marco integral basado en la red de variables latentes de muestreo adaptativo (ASLVN) y el mecanismo de atención del estado espacial con el objetivo de mejorar la capacidad del modelo para capturar características de las enfermedades de los árboles de albaricoque, asegurando su aplicabilidad en dispositivos de borde a través de técnicas de aligeramiento del modelo. Los resultados experimentales demostraron mejoras significativas en precisión, recuperación, exactitud y precisión media promedio (mAP). Específicamente, la precisión fue, la recuperación fue, la exactitud fue y el mAP fue, superando modelos tradicionales como YOLOv5, YOLOv8, RetinaNet, EfficientDet y DEtection TRansformer (DETR). Además, a través de estudios de ablación, se validaron los roles críticos de ASLVN y el mecanismo de atención del estado espacial en la mejora del rendimiento de detección. Estos experimentos no solo mostraron las contribuciones de cada componente para mejorar el rendimiento del modelo, sino que también destacaron la capacidad del método para abordar los desafíos de la detección de enfermedades en los árboles de albaricoque en entornos complejos. Se detectaron ocho tipos de enfermedades en los árboles de albaricoque, incluyendo el Oídio y la Podredumbre Marrón, representando un avance tecnológico. Los hallazgos proporcionan un sólido apoyo técnico para la gestión de enfermedades en la producción agrícola real y ofrecen amplias perspectivas de aplicación.