La clasificación de enfermedades del tomate basada en imágenes de hojas ha recibido amplia atención recientemente. Como uno de los mejores métodos de clasificación de enfermedades del tomate, la red neuronal convolucional (CNN) ha tenido un impacto inmenso debido a su impresionante rendimiento. Sin embargo, un mejor rendimiento se verifica mediante muestras independientes con distribución idéntica (IID) de enfermedades del tomate, lo cual se descompone dramáticamente en tareas de clasificación fuera de la distribución (OOD). En este documento, investigamos los cambios de corrupción, que eran un componente vital de OOD, y propusimos un método de clasificación de enfermedades del tomate para mejorar el rendimiento de la generalización del cambio de corrupción. Primero adoptamos la transformada discreta del coseno (DCT) para obtener los componentes de baja frecuencia. Luego, se calculó el peso del mapa de características mediante múltiples componentes de baja frecuencia, con el fin de reducir la influencia de la variación de alta frecuencia causada por la perturbación corrupta. El método propuesto, denominado red de atención de múltiples componentes de baja frecuencia (MLFAnet), fue verificado por el benchmarking de . Los resultados de precisión y rendimiento de generalización confirmaron la efectividad de MLFAnet. El rendimiento de generalización satisfactorio de nuestro método de clasificación propuesto proporciona una herramienta confiable para el diagnóstico de enfermedades del tomate.