Unser Beitrag stellt einen robusten Rahmen für die automatisierte Erkennung von Krankheiten in Pflanzenblattbildern vor. Der Rahmen integriert mehrere Schlüsselphasen, um die Genauigkeit der Krankheitserkennung zu verbessern. In der Vorverarbeitungsphase wird eine Miniaturisierungstechnik eingesetzt, um Bilder zu skalieren, wodurch der Verlust kritischer Bilddetails minimiert und gleichzeitig eine hohe rechnerische Effizienz gewährleistet wird. Anschließend werden Normalisierungsverfahren angewendet, um die Bilddaten vor der Merkmalsextraktion zu standardisieren. Die Merkmalsextraktion erfolgt mittels eines neuartigen Ansatzes, der auf Vision Transformers basiert – einer modernsten Methode in der Bildanalyse. Zudem werden alternative Versionen des Rahmens mit einer zusätzlichen linearen Projektionsschicht sowie blockweisen linearen Projektionen untersucht. Diese vergleichende Analyse ermöglicht die Bewertung des Einflusses linearer Projektionen auf die Merkmalsextraktion und die Gesamtleistung des Modells. Zur Beurteilung der Wirksamkeit des vorgeschlagenen Rahmens werden verschiedene Architekturen von Convolutional Neural Networks (CNN) eingesetzt, was eine umfassende Evaluation des Einflusses linearer Projektionen auf zentrale Bewertungskennzahlen erlaubt. Die Ergebnisse belegen die Effektivität des vorgeschlagenen Rahmens, wobei das bestperformende Modell eine Hamming-Verlustquote von 0,054 erreicht. Darüber hinaus präsentieren wir einen neuartigen Hardwareentwurf, der speziell für die omnidirektionale Scannung erkrankter Blätter konzipiert ist. Die Hardware-Implementierung nutzt einen Raspberry Pi Compute Module, um auch in Low-Memory-Konfigurationen praktikabel und kostengünstig einzusetzen. Diese innovative Hardwarelösung erhöht die Gesamtfunktionalität und Zugänglichkeit des vorgeschlagenen automatisierten Krankheitserkennungssystems. Diese Forschung trägt zum Bereich der Landwirtschaft bei, indem sie wertvolle Erkenntnisse und Werkzeuge für die frühe Erkennung und Bewirtschaftung von Pflanzenkrankheiten bereitstellt, was potenziell zu höheren Erträgen und einer verbesserten Ernährungssicherheit führen kann.