La detección precisa de enfermedades de la papa es crítica para la seguridad alimentaria, sin embargo, los métodos tradicionales de segmentación de imágenes luchan con desafíos que incluyen iluminación desigual, ruido de fondo y las transiciones de color gradual de lesiones bajo condiciones de campo complejas. Por lo tanto, se propone un marco de segmentación colaborativa de Otsu y detección de bordes Sobel basado en el algoritmo de optimización de ballenas beluga con un mecanismo de detección de peligro (DSBWO). El método introduce un parámetro de control en forma de - , un mecanismo de detección de peligro, una estrategia de forrajeo dinámica y un modelo de caída de ballenas mejorado para mejorar la capacidad de búsqueda global, prevenir la convergencia prematura y mejorar la calidad de la solución. DSBWO demuestra un rendimiento de optimización superior en el benchmark CEC2017, con una convergencia más rápida y una precisión más alta que otros algoritmos. Los experimentos en el Conjunto de Datos de Segmentación de Berkeley e imágenes de tizón temprano/tardío de la papa muestran que DSBWO logra un excelente rendimiento de segmentación en múltiples métricas de evaluación. Específicamente, alcanza un IoU máximo de 0.8797, superando a JSBWO (0.8482) y PSOSHO (0.8503), manteniendo valores competitivos de PSNR y SSIM. Incluso bajo diferentes niveles de ruido gaussiano, DSBWO mantiene una precisión de segmentación estable y un bajo tiempo de CPU, confirmando su robustez. Estos hallazgos sugieren que DSBWO proporciona una solución confiable y eficiente para la monitorización automática de enfermedades de cultivos y puede extenderse a otras aplicaciones de agricultura inteligente.