La detección oportuna de enfermedades de cultivos, identificación de patógenos y evaluaciones de la gravedad de la infestación pueden ayudar en los esfuerzos de prevención y control de enfermedades para mitigar la disminución del rendimiento de los cultivos. Sin embargo, se necesitan métodos mejorados de monitoreo de enfermedades que puedan extraer características de color y espaciales de alta resolución, precisas y ricas de manchas de enfermedades en las hojas en el campo para lograr una clasificación precisa de la gravedad de la enfermedad y una precisión sensible en el reconocimiento de enfermedades. Aquí, proponemos un método basado en redes neuronales que incorpora una estrategia de agrupamiento piramidal espacial Rouse mejorada para lograr la detección de enfermedades de cultivos en un fondo complejo. Para la construcción de la red neuronal, primero se introdujo un módulo de doble atención en la columna vertebral de la red parcial de etapas cruzadas para permitir la extracción de información de enfermedades multidimensionales desde las perspectivas de canal y espacio. A continuación, se integró un módulo de agrupamiento piramidal espacial basado en convoluciones dilatadas dentro de la red para ampliar el alcance de la recolección de información relacionada con enfermedades de cultivos a partir de imágenes de cultivos en el campo. La red neuronal fue probada utilizando un conjunto de datos de muestra construido a partir de imágenes recopiladas a una velocidad de 40 fotogramas por segundo que ocupaban solo 17.12 MB de espacio de almacenamiento. El análisis de datos de campo realizado utilizando el modelo miniaturizado reveló una tasa de precisión promedio cercana al 90.15% que superó las tasas correspondientes obtenidas utilizando métodos convencionales comparables. En conjunto, estos resultados indican que el modelo propuesto de red neuronal simplificó las tareas de reconocimiento de enfermedades y suprimió la transmisión de ruido para lograr una tasa de precisión mayor que la obtenible utilizando métodos convencionales similares, demostrando así que el método propuesto debería ser adecuado para su uso en aplicaciones prácticas relacionadas con el reconocimiento de enfermedades de cultivos.