La clasificación de enfermedades de cultivos constituye un desafío significativo y de larga data en el ámbito de las ciencias agrícolas y forestales. Con frecuencia, hay un número insuficiente de muestras para discernir con precisión la distribución de instancias del mundo real. Aprovechar todo el potencial de los datos disponibles es el origen de nuestro enfoque. Para abordar este problema, proponemos una técnica de aumento de imagen supervisada: Contraste Negativo. Este método emplea imágenes de contraste de muestras de enfermedades existentes, sin áreas de enfermedad, como muestras negativas para el aumento de imágenes, especialmente cuando las muestras son relativamente escasas. Numerosos experimentos demuestran que el empleo de este método de aumento mejora el rendimiento de la clasificación de enfermedades de varios modelos clásicos en cuatro cultivos: arroz, trigo, maíz y soja, con una mejora de precisión de hasta el 30.8%. Además, el análisis comparativo de mapas de calor de atención revela que los modelos que utilizan contraste negativo se centran de manera más precisa e intensa en las regiones de interés de las enfermedades, mostrando así capacidades de generalización superiores en la clasificación de enfermedades de cultivos del mundo real.