La enfermedad de la espiga de Fusarium (FHB) reduce el rendimiento y la calidad del trigo. La cría de variedades de trigo con genes de resistencia es una forma efectiva de reducir el impacto de esta enfermedad. Esto requiere expertos capacitados para evaluar la resistencia a la enfermedad de cientos de líneas de trigo en el campo. Los métodos de evaluación manuales son lentos y requieren mucha mano de obra. Los resultados de la evaluación se ven muy afectados por factores humanos. Los métodos tradicionales de aprendizaje automático solo son adecuados para conjuntos de datos a pequeña escala. La evaluación inteligente y precisa de la severidad de FHB podría facilitar significativamente la detección rápida de líneas resistentes. En este estudio, se utilizó el marco de aprendizaje profundo BlendMask dual en tándem automático para segmentar simultáneamente las espigas de trigo y las áreas enfermas para permitir la detección rápida de la severidad de la enfermedad. La red de pirámide de características (FPN), basada en la red ResNet-50, se utilizó como la columna vertebral de BlendMask para la extracción de características. El modelo mostró un rendimiento positivo en la segmentación de las espigas de trigo con valores de precisión, recall y MIoU (media de intersección sobre unión) del 85,36%, 75,58% y 56,21%, respectivamente, y la segmentación de las áreas enfermas con valores de precisión, recall y MIoU del 78,16%, 79,46% y 55,34%, respectivamente. Las precisión finales del modelo para las espigas de trigo y las áreas enfermas fueron del 85,56% y 99,32%, respectivamente. La severidad de la enfermedad se obtuvo a partir de la relación entre el área enferma y el área de la espiga. La precisión promedio para la clasificación de la severidad de FHB alcanzó el 91,80%, con un promedio de 1-puntuación del 92,22%. Este estudio demostró la gran ventaja de una red BlendMask dual en tándem en la detección inteligente de líneas de trigo resistentes.