La fruta es una fuente importante de vitaminas, minerales y fibra dietética en la vida diaria de las personas. Las enfermedades foliares causadas por el cambio climático y otros factores han reducido significativamente la producción de frutas. Los métodos de aprendizaje profundo para segmentar enfermedades foliares pueden mitigar eficazmente este problema. Sin embargo, desafíos como el plegado de hojas, la irregularidad y el sombreado de la luz dificultan la extracción de características de borde, lo que afecta la precisión de la segmentación. Para abordar estos problemas, este artículo propone un método basado en EFS-Former. El módulo de detalle local expandido (ELD) extiende el campo receptivo del modelo al expandir la convolución, manejando mejor los puntos finos y reduciendo efectivamente la pérdida de información. La atención H reduce la redundancia computacional al superponer convoluciones de múltiples capas, mejorando significativamente la filtración de características. La arquitectura de fusión paralela utiliza eficazmente los diferentes intervalos de extracción de características de la red neuronal convolucional (CNN) y los codificadores Transformer, logrando una extracción completa de características y fusionando eficazmente información detallada y semántica en las dimensiones de canal y espacio dentro del módulo de fusión de características (FFM). Los experimentos muestran que, en comparación con DeepLabV3+, este método logra un 10,78%, 9,51%, 0,72% y 8,00% más de puntuación para la intersección media sobre la unión (mIoU), la precisión media de píxeles (mPA), la precisión (Acc) y F_score, respectivamente, mientras tiene 1,78 M menos parámetros totales y 0,32 G menos operaciones de punto flotante por segundo (FLOPS). Además, calcula eficazmente la proporción de área foliar ocupada por manchas. Este método también es efectivo para calcular el período de enfermedad analizando la proporción de área foliar ocupada por manchas enfermas. El rendimiento general del método se evalúa utilizando métricas mIoU, mPA, Acc y F_score, logrando 88,60%, 93,49%, 98,60% y 95,90%, respectivamente. En resumen, este estudio ofrece un método eficiente y preciso para la segmentación de manchas en hojas de árboles frutales, proporcionando una base sólida para el análisis preciso de hojas y manchas de árboles frutales, y apoyando la agricultura inteligente para la pulverización precisa de pesticidas.