La prevención y el control precisos de las enfermedades del peral, especialmente la segmentación precisa de las enfermedades foliares, representan un desafío serio para los agricultores de frutas a nivel mundial. Dada la posibilidad de que las áreas afectadas por enfermedades sean minúsculas y con límites ambiguos, la segmentación precisa se vuelve difícil. En este estudio, proponemos un modelo de segmentación de enfermedades foliares del peral llamado MFBP-UNet. Se basa en la arquitectura de red UNet e integra un módulo de Extracción de Características Multiescala (MFE) y un módulo de Perceptrón Multicapa Tokenizado (BATok-MLP) con atención dispersa dinámica. El MFE mejora la extracción de características detalladas y semánticas, mientras que el BATok-MLP fusiona con éxito la atención regional y global, logrando un equilibrio efectivo en las capacidades de extracción de información tanto global como local. Además, hemos sido pioneros en el uso de un modelo de difusión para la augmentación de datos. Al integrar y analizar diferentes métodos de augmentación, mejoramos aún más la precisión y robustez del entrenamiento del modelo. Los resultados experimentales revelan que, en comparación con otras redes de segmentación, MFBP-UNet muestra una mejora significativa en todas las métricas de rendimiento. Específicamente, MFBP-UNet logra puntuaciones de 86.15%, 93.53%, 90.89% y 0.922 en las métricas de MIoU, MP, MPA y Dice, marcando mejoras respectivas de 5.75%, 5.79%, 1.08% y 0.074 sobre el modelo UNet. Estos resultados demuestran el rendimiento superior y las capacidades de generalización del modelo MFBP-UNet en la segmentación de enfermedades foliares del peral y su potencial inherente para abordar desafíos análogos en tareas de segmentación del entorno natural.