El efecto directo del calentamiento global en la viticultura ya es evidente, con plagas y enfermedades inesperadas como una de las consecuencias más preocupantes. La implementación de trampas pegajosas en plantaciones de uva para atraer insectos clave ha sido la base de los programas convencionales de control de plagas. Sin embargo, son procesos que consumen mucho tiempo para los viticultores, realizados a través de inspecciones visuales mediante la identificación manual y el conteo de insectos clave. Además, los viticultores suelen carecer de experiencia en taxonomía para una identificación precisa de especies. Este documento explora el uso de aprendizaje profundo en el borde para identificar y cuantificar automáticamente los recuentos de plagas. Se utilizaron diferentes dispositivos móviles para adquirir un conjunto de datos de trampas amarillas pegajosas y delta, que consta de 168 imágenes con 8966 insectos clave anotados manualmente por especialistas en taxonomía experimentados. Se seleccionaron, entrenaron y compararon cinco modelos de aprendizaje profundo diferentes adecuados para ejecutarse localmente en dispositivos móviles para detectar cinco especies de insectos diferentes. Se exploraron estrategias centradas en el modelo, centradas en los datos y centradas en la implementación para mejorar y ajustar los modelos considerados, donde se probaron en dispositivos móviles de gama baja y alta. El modelo SSD ResNet50 resultó ser la arquitectura más adecuada para la implementación en dispositivos de borde, con precisión por clase que oscila entre 82% y 99%, la puntuación F1 que oscila entre 58% y 84%, y velocidades de inferencia por imagen de trampa de 19.4 s y 62.7 s para teléfonos inteligentes de alta y baja gama, respectivamente. Estos resultados demuestran el potencial del enfoque propuesto para integrarse en una solución basada en móviles para el monitoreo de plagas en viñedos al proporcionar detección automatizada y conteo de insectos vectores clave a los viticultores y especialistas en taxonomía.