植物病害は生物的ストレスと非生物的ストレスの両方に起因し、毎年世界の農業生産量の20～40%の損失を引き起こし、経済的損害は2200億米ドルを超える。正確でスケーラブルなストレス定量化は精密農業に不可欠であるが、従来の手動評価は労働集約的で主観的である。本論文では、セマンティックセグメンテーション、回帰ベースの重症度推定、および病害分類を統合した統一ディープラーニングパイプラインを提案する。感染葉面積の割合に基づいてストレス重症度を4段階（低、中、高、非常に高）に分類する。
実験は、Apple Tree Leaf Disease Segmentationデータセット（1641サンプル、6クラス）を使用して行われ、U-Net（MobileNetV2）、SegFormer、FCN、PSPNetの4モデルを評価した。U-Net（MobileNetV2）が最良の性能を示し、ピクセル精度98.20%、平均IoU 0.70、検出精度99.41%、1画像あたりの処理時間14.7ミリ秒を達成し、リアルタイム利用に適する。SegFormerは競争力のある性能（mIoU 0.66）を示したが、FCNとPSPNetは空間精度が低かった（約0.49 mIoU）。計算された重症度指数は専門家のアノテーションと強い相関（r=0.968、R²=0.937）を示し、自動化された作物モニタリングと意思決定支援におけるシステムの信頼性を実証した。
本論文は26ページ、15図、5表から構成され、2026年7月5日にarXivに提出された。著者はRaunak KumarとSoumyashree Karであり、コンピュータビジョンとパターン認識、機械学習の分野に属する。この研究は、精密農業のための効率的で客観的な病害定量化ツールを提供し、手動評価のばらつきを減らし、大規模な作物健康モニタリングの技術基盤を確立するものといえる。