La segmentación de imágenes de enfermedades de plantas permite a los investigadores cuantificar la proporción de manchas de enfermedades en las hojas, conocida como severidad de la enfermedad. Los métodos actuales de aprendizaje profundo se centran predominantemente en enfermedades individuales, lesiones simples o entornos controlados de laboratorio. En este estudio, establecimos y publicamos conjuntos de datos de imágenes de escenarios de campo para tres enfermedades: la bacteriosis de la soja (SBB), la roya estriada del trigo (WSR) y la roya del manzano (CAR). Desarrollamos Redes de Segmentación de Enfermedades de Plantas (PDSNets) basadas en LinkNet con ResNet-18 como codificador, incluyendo tres versiones: x1.0, x0.75 y x0.5. La versión x1.0 incorpora una capa de incrustación 4 x 4 para mejorar la velocidad de predicción, mientras que las versiones x0.75 y x0.5 son variantes livianas con números de canales reducidos dentro de la misma arquitectura. Sus recuentos de parámetros son de 11.53 M, 6.50 M y 2.90 M, respectivamente. PDSNetx0.5 logró un puntaje F1 general del 91.96%, una Intersección sobre Unión (IoU) del 85.85% para la segmentación y un coeficiente de determinación (R) de 0.908 para la estimación de la severidad. En una unidad central de procesamiento local (CPU), PDSNetx0.5 demostró una velocidad de predicción de 34.18 imágenes (640 x 640 píxeles) por segundo, que es 2.66 veces más rápida que LinkNet. Nuestro trabajo proporciona un enfoque eficiente y automatizado para evaluar la severidad de enfermedades de plantas en escenarios de campo.