La segmentación de enfermedades de alta calidad juega un papel crucial en la identificación precisa de enfermedades del arroz. Aunque los métodos de aprendizaje profundo existentes pueden identificar la enfermedad en las hojas de arroz hasta cierto punto, estos métodos a menudo enfrentan desafíos al tratar con manchas de enfermedad de múltiples escalas y manchas de enfermedad de crecimiento irregular. Para resolver los desafíos de la segmentación de enfermedades en las hojas de arroz, proponemos KBNet, un novedoso marco multimodal que integra características lingüísticas y visuales para la segmentación de enfermedades del arroz, aprovechando las fortalezas complementarias de las arquitecturas CNN y Transformer. En primer lugar, proponemos el módulo de Redes Kolmogorov-Arnold Mejoradas con Filtro de Kalman (KF-KAN), que combina la capacidad de modelado de las KAN para características no lineales y el mecanismo de actualización dinámica del filtro de Kalman para lograr una extracción y fusión precisas de información de lesiones de múltiples escalas. En segundo lugar, introducimos el módulo de Red Neuronal de Información Física Constrida por el Límite (BC-PINN), que incorpora los priors físicos, como la ley de crecimiento de la lesión, en la función de pérdida para fortalecer el modelado de lesiones irregulares. Al mismo tiempo, a través del mecanismo de castigo por límite, se mejora aún más la precisión de la segmentación de bordes y se optimiza el efecto general de segmentación. Los resultados experimentales muestran que el marco KBNet demuestra un sólido rendimiento en el manejo de tareas complejas y diversas de segmentación de enfermedades del arroz y proporciona un apoyo técnico clave para la identificación, prevención y control de enfermedades en la agricultura inteligente. Este método tiene un buen valor de divulgación y un amplio potencial de aplicación en el monitoreo y gestión inteligente agrícola.