Una de las cosechas económicas más importantes del mundo, las manzanas enfrentan numerosas amenazas de enfermedades durante su proceso de producción, lo que plantea desafíos significativos para la gestión de huertos y la calidad del rendimiento. Para abordar el impacto de las características de enfermedades complejas y diversos factores ambientales en la precisión de detección, este estudio propone un enfoque basado en transformadores paralelos multimodales para la detección y clasificación de enfermedades en manzanas. Al integrar la fusión de datos multimodales y técnicas de optimización livianas, el método propuesto mejora significativamente la precisión y la robustez de la detección. Los resultados experimentales demuestran que el método logra una precisión del 96%, una precisión del 97% y una recuperación del 94% en tareas de clasificación de enfermedades. En la clasificación de gravedad, el modelo alcanza una precisión máxima del 94% para la clasificación de sarna de manzana. Además, el módulo de generación de difusión de marco continuo mejora la representación global de las regiones de enfermedades a través de la modelización de características de alta dimensionalidad, con distribuciones de características generadas que se alinean estrechamente con distribuciones reales. Además, mediante el empleo de técnicas de optimización livianas, el modelo se despliega con éxito en dispositivos móviles, logrando una velocidad de cuadro de 46 FPS para una detección eficiente en tiempo real. Esta investigación proporciona una solución eficiente y precisa para el monitoreo de enfermedades en huertos y sienta las bases para el avance de las tecnologías agrícolas inteligentes.