En este estudio, se ha propuesto un método de aprendizaje profundo que combina gráficos de conocimiento y un Transformer de difusión para la detección de enfermedades en pepinos. Al incorporar el mecanismo de atención de difusión y la función de pérdida de difusión, la investigación tiene como objetivo mejorar la capacidad del modelo para reconocer características complejas de enfermedades agrícolas y abordar de manera eficiente el problema del desequilibrio de muestras. Los resultados experimentales demuestran que el método propuesto supera a los modelos de aprendizaje profundo existentes en tareas de detección de enfermedades en pepinos. Específicamente, el método logró una precisión del 93%, una recuperación del 89%, una exactitud del 92% y una precisión media promedio (mAP) del 91%, con una tasa de fotogramas de 57 fotogramas por segundo (FPS). Además, el estudio implementó con éxito la ligereza del modelo, lo que permite un funcionamiento efectivo en dispositivos móviles, lo que apoya un diagnóstico rápido y en el lugar de las enfermedades en pepinos. La investigación no solo optimiza el rendimiento de la detección de enfermedades en pepinos, sino que también abre nuevas posibilidades para la aplicación del aprendizaje profundo en el campo de la detección de enfermedades agrícolas.