La segmentación de zonas de enfermedades de cultivos es una tarea importante del procesamiento de imágenes, ya que el conocimiento del estado de crecimiento de los cultivos es crítico para la gestión agrícola. Hoy en día, las imágenes tomadas por vehículos aéreos no tripulados (VANT) se han utilizado ampliamente en la segmentación de enfermedades de cultivos, y casi todos los estudios actuales utilizan el paradigma de estudio de supervisión completa, que necesita una gran cantidad de datos etiquetados manualmente. En este estudio, se propone un método de supervisión débil para la segmentación de enfermedades en imágenes de VANT. En este método, se desarrollaron un bloque de rama auxiliar (ABB) y un módulo de reutilización de características (FRM). El método se probó utilizando imágenes de VANT de la mancha foliar norte del maíz (NLB) basándose solo en etiquetas a nivel de imagen, es decir, solo se proporciona la información sobre si ocurre NLB. La calidad (valores de intersección sobre unión (IoU)) de las pseudoetiquetas en el conjunto de datos de validación alcanzó el 43% y la puntuación F1 llegó al 58%. Además, el nuevo método tardó 0.08 s en generar una pseudoetiqueta, lo que es altamente eficiente en la generación de pseudoetiquetas. Cuando se utilizaron pseudoetiquetas del conjunto de datos de entrenamiento en el entrenamiento de modelos de segmentación, los valores de IoU de la enfermedad en el conjunto de datos de prueba alcanzaron el 50%. Estas precisiones superaron los puntos de referencia de los modelos ACoL (45.5%), RCA (36.5%) y MDC (34.0%). Las zonas de NLB segmentadas del método propuesto fueron más completas y los límites fueron más claros. También se exploró la efectividad de ABB y FRM. Este estudio es la primera vez que se aplica la segmentación supervisada de imágenes de VANT de NLB de maíz utilizando solo datos a nivel de imagen, y los resultados de las pruebas anteriores confirman la efectividad del método propuesto.