La detección temprana y la prevención de enfermedades de las plantas, que son una causa importante de hambruna e inseguridad alimentaria en todo el mundo, son muy importantes para aumentar la productividad agrícola. No solo la detección temprana de la enfermedad de la planta, sino también la determinación de su tipo, juegan un papel crítico en la determinación del tratamiento adecuado. El hecho de que la inspección visual, que se utiliza con frecuencia para determinar las enfermedades y tipos de plantas, sea agotadora y propensa a errores humanos, ha hecho necesario el desarrollo de algoritmos que puedan clasificar automáticamente las enfermedades de las plantas con alta precisión y bajo costo computacional. En este estudio, se desarrolla un nuevo modelo híbrido de clasificación de enfermedades en hojas de plantas con alta precisión y baja complejidad computacional, que consiste en un enfoque de envoltura, incluyendo el algoritmo de polinización de flores (FPA) y la máquina de soporte vectorial (SVM), y un clasificador de red neuronal convolucional (CNN), utilizando un enfoque de selección de características basado en envoltura con técnicas de optimización metaheurística. Las características del conjunto de datos de imágenes que consisten en plantas de manzana, uva y tomate se han extraído mediante una transformada wavelet discreta bidimensional (2D-DWT) utilizando familias de wavelets como biortogonales, Coiflets, Daubechies, Fejer-Korovkin y symlets. Las características que mantienen un alto rendimiento del clasificador para cada familia son seleccionadas por el enfoque de envoltura, que consiste en las metaheurísticas basadas en población FPA y SVM. El rendimiento del algoritmo de optimización propuesto se compara con el algoritmo de optimización por enjambre de partículas (PSO). Posteriormente, se obtiene el rendimiento de clasificación utilizando el menor número de características que pueden mantener un alto rendimiento de clasificación para el clasificador CNN. Se utiliza el clasificador CNN con una sola capa de clasificación sin una capa de extracción de características para minimizar la complejidad del modelo y abordar el problema de los hiperparámetros del modelo. El modelo obtenido se integra en el kit de desarrollo NVIDIA Jetson Nano en el vehículo aéreo no tripulado (UAV), y se realizan pruebas de clasificación en tiempo real en plantas de manzana, uva y tomate. Los resultados experimentales obtenidos muestran que el modelo propuesto clasifica las enfermedades de las hojas de plantas especificadas en tiempo real con alta precisión. Además, se concluye que el robusto modelo de clasificación híbrido, que se crea seleccionando el menor número de características con el algoritmo de optimización de baja complejidad computacional, puede clasificar enfermedades de hojas de plantas en tiempo real con precisión.