Las enfermedades de las plantas pueden afectar el rendimiento de los cultivos. Por lo tanto, la detección de enfermedades de las plantas utilizando sensores que se pueden montar en vehículos aéreos es de interés para los agricultores para apoyar la toma de decisiones en el manejo integrado de plagas y para los criadores en la selección de genotipos tolerantes o resistentes. Este artículo investigó la detección de manchas foliares de Cercospora (CLS), causadas por Cercospora beticola en la remolacha azucarera utilizando imágenes RGB. Propusimos un enfoque para abordar el problema de detección de CLS utilizando redes neuronales convolucionales totalmente convolucionales, que operan directamente sobre imágenes RGB capturadas por un UAV. Este enfoque eficiente no requiere sensores multi o hiperespectrales complejos, pero proporciona resultados confiables y alta sensibilidad. Proporcionamos una tubería de detección para la segmentación semántica a nivel de píxel de los síntomas de CLS, la vegetación sana y el fondo, de modo que nuestro enfoque pueda cuantificar automáticamente el grado de infestación. Evaluamos exhaustivamente nuestro sistema utilizando múltiples conjuntos de datos de UAV grabados en diferentes campos de ensayo de remolacha azucarera. El conjunto de datos consistió en un conjunto de entrenamiento y un conjunto de prueba y se originó en diferentes campos. Lo utilizamos para evaluar nuestro enfoque en condiciones realistas y analizamos sus capacidades de generalización a entornos no vistos. Los resultados obtenidos se correlacionaron significativamente con la estimación visual de expertos humanos. El estudio presentado subrayó el potencial de la imagen RGB de alta resolución y las redes neuronales convolucionales para la detección de enfermedades de las plantas en condiciones de campo. El procedimiento demostrado es particularmente interesante para aplicaciones en condiciones prácticas, ya que no se requiere un sistema de medición complejo y costoso.