Un diagnóstico preciso de las enfermedades de las plantas es crucial para la salud de los cultivos. Este estudio presenta el modelo EDA-ViT, un enfoque basado en el Transformer de Visión (ViT) que integra la ampliación de datos adaptativa basada en la entropía para diagnosticar enfermedades de la manzana de la India. Los modelos tradicionales como la red neuronal convolucional y ViT enfrentan desafíos con la extracción de características locales y los requisitos de conjuntos de datos grandes. EDA-ViT supera esto utilizando una agregación de características ponderadas a múltiples escalas y un módulo de interacción de características, mejorando tanto la extracción de características locales como globales. El método de ampliación de datos adaptativa refina el proceso de entrenamiento, mejorando la precisión y la robustez. Con un conjunto de datos de 8226 imágenes, EDA-ViT logró una precisión de clasificación del 96.58%, un puntaje F1 del 96.10%, y un Coeficiente de Correlación de Matthews (MCC) del 92.24%, superando a otros modelos. La inclusión del mecanismo de Autoatención de Múltiples Cabezas Deformables (DMSA) mejoró aún más la captura de características. Los estudios de ablación revelaron que la ampliación adaptativa contribuyó a una mejora de precisión del 0.56% y un aumento del 0.34% en el MCC. En resumen, EDA-ViT presenta una solución innovadora para el diagnóstico de enfermedades de la manzana de la India, con aplicaciones potenciales en una detección más amplia de enfermedades agrícolas, ayudando en última instancia a la agricultura de precisión y al manejo de la salud de los cultivos.