世界の農業生産量は毎年20～40%の損失を被っており、これは主に植物病害などの生物的・非生物的ストレスに起因しています。この損失による経済的被害は年間2200億ドルを超えており、精密農業における正確でスケーラブルなストレス定量化の必要性が急速に高まっています。従来の手作業による病害評価は労働集約的で主観的であり、大規模な圃場での実用性に欠けていました。 この課題に対応するため、深層学習を活用した統合的なパイプラインが提案されました。このシステムは意味領域分割、回帰ベースの重症度推定、病害分類を組み合わせたもので、感染した葉面積の比率に基づいて病害の重症度を4段階（低から非常に高い）に分類します。リンゴの葉の病害データセット（1,641サンプル、6クラス）を用いた実験では、U-Net（MobileNetV2）、SegFormer、FCN、PSPNetの4つのモデルが評価されました。 U-NetとMobileNetV2の組み合わせが最高性能を発揮し、98.20%のピクセル精度、0.70のmIoU（平均Intersection over Union）、99.41%の検出精度を達成しながら、1画像あたり14.7ミリ秒で処理できるため、リアルタイム運用に適しています。SegFormerも競争力のある性能（mIoU 0.66）を示した一方、FCNとPSPNetは空間精度がやや低め（約0.49のmIoU）となりました。 計算された重症度指数は専門家による注釈との強い相関（r = 0.968、R² = 0.937）を示しており、このシステムが自動化された作物モニタリングと意思決定支援のための信頼性の高いツールとなることを実証しています。