El ginseng rojo es un ginseng vaporizado y secado que tiene más propiedades funcionales y una vida útil más larga. El ginseng rojo se clasifica por apariencia y calidad interna. Sin embargo, este proceso convencional tiene un alto costo en términos de tiempo y recursos humanos, y tiene la desventaja de resultados de evaluación subjetivos. Por lo tanto, se propuso el método de red neuronal convolucional (CNN) para automatizar el proceso de clasificación del ginseng rojo y optimizar el método de preprocesamiento, seleccionar un modelo de aprendizaje profundo preciso y eficiente, y explorar la viabilidad de la discriminación de calificación basada únicamente en información de calidad externa, sin considerar características de calidad interna. En este estudio, se investigó el efecto de cinco métodos de preprocesamiento distintos, incluidos RGB, binario, gris, ecualización de histograma adaptativo limitado por contraste (CLAHE) y desenfoque gaussiano, en la precisión de calificación de imágenes de ginseng rojo. Además, se realizó un análisis comparativo sobre el rendimiento de cuatro modelos diferentes, que consistían en un modelo de CNN y tres modelos de transferencia de aprendizaje, que eran VGG19, MobileNet y DenseNet121. Entre ellos, DenseNet121 con preprocesamiento CLAHE informó el mejor rendimiento; su precisión en el conjunto de pruebas del Dataset 2 fue del 95.11%. Este hallazgo sugiere que las técnicas de aprendizaje profundo pueden proporcionar una solución objetiva y eficiente para el proceso de clasificación del ginseng rojo sin inspección de calidad interna.