Die Ernährungs- und Landwirtschaftsorganisation der Vereinten Nationen (FAO) schätzte, dass pflanzliche Krankheiten weltweit im Jahr 2019 eine Wirtschaftsschädigung von 220 Milliarden US-Dollar verursachten. In diesem Artikel stellen wir ein leichtgewichtiges tiefes konvolutionelles Neuronales Netzwerk (DCNN) zur automatischen und zuverlässigen Klassifizierung von Pflanzenblattkrankheiten vor. Die vorgeschlagene Methode beginnt mit der Umwandlung von Eingabebildern von Pflanzenblättern aus dem RGB-Farbraum in die CIE-LAB-Koordinaten. Anschließend werden die L- und AB-Kanäle in getrennte Zweige geleitet, die jeweils mit den ersten drei Schichten einer modifizierten Inception-V3-Architektur kombiniert werden. Dieser Ansatz reduziert die Anzahl der Parameter in den getrennten Zweigen um ein Drittel bis die Hälfte. Zudem erzielt die Methode eine verbesserte Klassifizierungssicherheit, wenn die ursprünglichen RGB-Bilder mit verschiedenen Rauscharten (Salz- und Pfeffer-Rauschen, Verschmierungen, Bewegungsunschärfen und Verdeckungen) gestört werden. Diese Rauschtypen simulieren die typische Bildvariabilität, die in natürlichen Umgebungen vorkommt. Wir vermuten, dass die Filter im AB-Zweig eine höhere Robustheit gegenüber dieser Art von Variabilität aufweisen, da sie im Bildraumdomäne eine vergleichsweise geringe Frequenz aufweisen.