Los desafíos del cambio climático y el crecimiento de la población se ven agravados por cambios ambientales notables, que pueden aumentar el rango de enfermedades de las plantas, por ejemplo, la mancha en red (NB), una enfermedad foliar que disminuye significativamente el rendimiento y la calidad del grano de cebada (L.). Un germoplasma resistente se identifica generalmente a través de la observación visual y la evaluación de los síntomas de la enfermedad; sin embargo, esto es subjetivo y consume mucho tiempo. Por lo tanto, los enfoques automatizados, no destructivos y de bajo costo para la evaluación de enfermedades son altamente relevantes para la mejora de la cebada. Este estudio presenta un nuevo método de evaluación para evaluar la gravedad de la NB en cebada. El método propuesto utiliza un sistema de imágenes RGB automatizado, junto con aprendizaje automático, para evaluar diferentes síntomas y la gravedad de la NB. El estudio se realizó en tres cultivares de cebada con distintos niveles de resistencia a la NB (resistente, moderadamente resistente y susceptible). El enfoque probado mostró una precisión media del 99% para varias categorías de gravedad de la NB (lesiones cloróticas, necróticas y fúngicas, junto con necrosis en la punta de la hoja). Los resultados demuestran que el método propuesto podría ser efectivo para evaluar la NB en las hojas de cebada y especificar el nivel de gravedad de la NB; este tipo de información podría ser fundamental para la selección precisa de resistencia a la NB en la mejora de la cebada.