Se propone un marco innovador para el reconocimiento y segmentación de enfermedades en árboles de durazno en este documento, con el objetivo de mejorar significativamente el rendimiento del modelo en entornos agrícolas complejos a través de técnicas de aprendizaje profundo y estrategias de fusión de datos. Las innovaciones principales incluyen un mecanismo de atención de características diminutas, un módulo de cabeza alineada, una red de segmentación semántica basada en Transformer y una función de pérdida de alineación especialmente diseñada. La integración de estas tecnologías no solo optimiza la capacidad del modelo para capturar características sutiles de enfermedades, sino que también mejora la eficiencia de integrar datos de sensores e imágenes, mejorando aún más la precisión de las tareas de segmentación. Los resultados experimentales demuestran la superioridad de este marco. Para la detección de enfermedades, el método propuesto logró una precisión del 94%, una sensibilidad del 92% y una precisión del 92%, superando a modelos clásicos como AlexNet, GoogLeNet, VGGNet, ResNet y EfficientNet. En las tareas de segmentación de lesiones, el método propuesto logró una precisión del 95%, una sensibilidad del 90% y un mIoU del 94%, superando significativamente a modelos como SegNet, UNet y UNet++. La introducción del módulo de cabeza alineada y la función de pérdida de alineación proporciona una solución efectiva para procesar imágenes que carecen de datos de sensores, mejorando significativamente la capacidad del modelo para procesar datos reales de imágenes agrícolas. A través de experimentos de ablación detallados, el estudio valida aún más el papel crítico del módulo de cabeza alineada y la función de pérdida de alineación en la mejora del rendimiento del modelo, especialmente en el experimento de ablación de atención de cabeza donde la configuración de cabeza alineada superó a otras configuraciones en todas las métricas, destacando su papel clave en el marco general. Estos experimentos no solo muestran la efectividad teórica del método propuesto, sino que también confirman su valor práctico en las prácticas de gestión de enfermedades agrícolas.