El arroz sirve como la principal fuente de alimento para casi la mitad de la población mundial, con Asia representando aproximadamente el 90% de la producción mundial de arroz. Sin embargo, el cultivo de arroz enfrenta pérdidas significativas debido a los ataques de plagas. Para prevenir infestaciones de plagas, es crucial aplicar pesticidas apropiados específicos para el tipo de plaga en el campo. Tradicionalmente, la identificación y el conteo de plagas se han realizado manualmente utilizando trampas de luz pegajosas, pero este proceso es lento. En este estudio, se desarrolló un sistema de visión artificial utilizando un conjunto de datos de 7328 imágenes de alta densidad (1229 píxeles por centímetro) de saltahojas recolectadas en el campo utilizando trampas de luz pegajosas. El conjunto de datos incluía cuatro clases de saltahojas: saltahojas marrón (BPH), saltahojas verde (GLH), saltahojas de dorso blanco (WBPH) y saltahojas zigzag (ZIGZAG). Se aplicaron y ajustaron cinco modelos de CNN profundos -ResNet-50, ResNet-101, ResNet-152, VGG-16 y VGG-19-para clasificar las especies de saltahojas. Los resultados experimentales indicaron que el modelo ResNet-50 tuvo el mejor rendimiento general, logrando valores promedio de 97.28% para precisión, 92.05% para precisión, 94.47% para recall y 93.07% para la puntuación F1. En conclusión, este estudio clasificó con éxito las clases de saltahojas con un excelente rendimiento utilizando arquitecturas de CNN profundos en un conjunto de datos de imágenes de alta densidad. Esta capacidad tiene el potencial de servir como una herramienta para clasificar y contar muestras de saltahojas recolectadas utilizando trampas de luz.