La clasificación de ciertas especies agrícolas plantea un desafío formidable debido a su semejanza inherente y la ausencia de discriminadores visuales confiables. La identificación precisa de estas plantas tiene una importancia sustancial en industrias como la cosmética, farmacéutica y la medicina herbaria, donde la optimización de los rendimientos de compuestos esenciales y la calidad del producto son primordiales. En respuesta a este desafío, hemos diseñado un sistema de clasificación automatizado basado en principios de aprendizaje profundo, diseñado para lograr precisión y eficiencia en la clasificación de especies. Nuestro enfoque aprovecha un conjunto de datos diverso que abarca varios cultivares y emplea el modelo de Aprendizaje Profundo de Conjunto de Sistema de Inteligencia Múltiple-Ensamble (P-AMIS-E). Este modelo integra técnicas de segmentación de imágenes de conjunto, incluidas U-Net y Mask-R-CNN, junto con aumentos de imagen y arquitecturas de redes neuronales convolucionales (CNN) como SqueezeNet, ShuffleNetv2 1.0x, MobileNetV3 e InceptionV1. La culminación de estos elementos resulta en el modelo P-AMIS-E, mejorado por un Sistema de Inteligencia Múltiple Artificial (AMIS) para la fusión de decisiones, logrando en última instancia una impresionante tasa de precisión del 98.41%.