精准的病害检测在现代精准农业中至关重要，尤其是在保障番茄作物健康、提高农业生产力和产品质量方面。尽管现有的大多数病害检测方法在一定程度上帮助种植者识别番茄叶病，但这些方法通常局限于特定的病害类别。面对新的病害时，需要大量且昂贵的人工标注来重新训练数据集。为克服这些限制，本研究提出了一种基于VLDet框架内的开放词汇目标检测（OVD）技术的多模态模型PDC-VLD，该模型仅使用图像-文本对即可准确识别新的番茄叶病而无需人工标注。首先，我们开发了一种渐进式视觉Transformer-卷积金字塔模块（PVT-C），通过自监督学习算法DINO有效提取番茄叶病特征并优化锚框定位，抑制无关背景的干扰。然后，采用了上下文特征引导模块（CFG），以解决模型在数据稀缺环境中的低适应性和识别准确性问题。为了验证模型的有效性，我们构建了一个包含四个基本类别和两个新类别的番茄叶病图像数据集。实验结果表明，PDC-VLD模型在主要评价指标mApsovel上达到了61.2%，在mAP75vel上达到了56.4%，在mAPse上达到了87.7%，在mAPa上达到了81.0%，在AR上达到了45.5%，优于现有的OVD模型。我们的研究为高效且准确地检测新病害提供了一种创新的解决方案，大大减少了对人工标注的依赖，为农业从业者提供了关键的技术支持和实际参考。

图1 当前检测面临的问题。

图2 部分图像标签示例。

图3 PDC-VLD结构示意图。

图4 基于PDC-VLD的疾病评估系统示意图。