Actualmente, la clasificación de la enfermedad de la podredumbre negra de la vid se basa en evaluar el porcentaje de manchas afectadas en el área total, con un enfoque principal en segmentar con precisión estas manchas en imágenes. Es particularmente desafiante en casos en los que las áreas de lesión son pequeñas y los límites están mal definidos, dificultando la segmentación precisa. En nuestro estudio, presentamos una red U-Net mejorada diseñada para segmentar manchas de podredumbre negra en hojas de vid. Aprovechando VGG como la base de la U-Net, posicionamos estratégicamente el módulo de pirámide espacial atrous (ASPP) en la base de la U-Net para servir como un enlace entre el codificador y el decodificador. Además, se integran módulos de doble atención canal y espacial en el decodificador, junto con una red piramidal de características destinada a fusionar diversos niveles de mapas de características para mejorar la segmentación de regiones enfermas. Nuestro modelo supera en rendimiento a enfoques tradicionales de segmentación semántica de enfermedades de plantas como DeeplabV3+, U-Net y PSPNet, logrando una impresionante precisión de píxeles (PA) y puntajes de intersección media sobre unión (MIoU) del 94.33% y 91.09%, respectivamente. Demostrando un fuerte rendimiento en varios niveles de segmentación de manchas, nuestro método muestra su eficacia en mejorar la precisión de segmentación de manchas de podredumbre negra en vides.