Obwohl Faltungsneuronale Netze (CNNs) häufig zur Erkennung von Pflanzenkrankheiten eingesetzt werden, benötigen sie bei der Bearbeitung einer Vielzahl heterogener Hintergründe eine große Anzahl von Trainingsbeispielen. In dieser Arbeit wird ein auf CNN basierendes zweiphasiges Verfahren vorgeschlagen, das effektiv auf kleinen Reiskornkrankheitsdatensätzen mit Heterogenität arbeiten kann. Im ersten Stadium wird die Methode Faster R-CNN angewendet, um den relevanten Teil (das Reiskorn) aus dem Bild zu extrahieren. Dies führt zu einem sekundären Datensatz von Reiskörnern ohne heterogenen Hintergrund. Die Krankheitseinteilung wird dann anhand dieser abgeleiteten und vereinfachten Beispiele unter Verwendung der CNN-Architektur durchgeführt. Ein Vergleich des zweiphasigen Ansatzes mit der direkten Anwendung von CNNs auf den kleinen Korn-Datensatz zeigt die Effektivität des vorgeschlagenen Verfahrens, das eine 5-fache Kreuzvalidierungsgenauigkeit von 88,07 % erzielt.