La agricultura es un recurso importante para la economía global, mientras que las enfermedades de las plantas causan una pérdida devastadora de rendimiento. Para controlar las enfermedades de las plantas, cada país del mundo gasta billones de dólares en el manejo de enfermedades. Algunas de las soluciones recientes se basan en la utilización de técnicas de visión por computadora en la ciencia de las plantas, lo que ayuda a monitorear industrias de cultivos como el tomate, maíz, uva, cítricos, papas y yuca, entre otros cultivos. La red CNN basada en atención se ha vuelto efectiva en la predicción de enfermedades de las plantas. Sin embargo, los enfoques existentes son menos precisos en la detección de enfermedades a escala minuciosa en las hojas. Nuestra propuesta de red de segmentación canal-espacial ayudará a determinar la enfermedad en la hoja, y consta de dos etapas principales: (a) la atención del canal discrimina las partes enfermas y sanas, así como las características enfocadas en el canal, y (b) la atención espacial consume características enfocadas en el canal y resalta la parte enferma para el proceso de predicción final. Esta investigación forma una atención de canal y espacial de manera secuencial para identificar hojas enfermas y sanas. Finalmente, las enfermedades de las hojas identificadas se dividen en Leve, Moderada, Grave y Sana. Nuestro modelo predice con éxito las hojas enfermas con la mayor precisión del 99.76%. Nuestro estudio de investigación muestra métricas de evaluación, estudios de comparación y análisis de expertos para comprender el rendimiento de la red. Esto concluye que la red de segmentación canal-espacial puede utilizarse de manera efectiva para diagnosticar diferentes grados de enfermedad basados en una combinación de procesamiento de imágenes y cálculos estadísticos.