La productividad agrícola es uno de los factores críticos para garantizar la seguridad alimentaria en todo el mundo. Sin embargo, algunos de los principales cultivos, como la patata, el tomate y el mango, suelen estar infestados por enfermedades foliares, lo que reduce considerablemente el rendimiento y la calidad. La práctica tradicional de diagnosticar enfermedades a través de la inspección visual es intensiva en mano de obra, consume mucho tiempo y puede llevar a numerosos errores. Para abordar estos desafíos, este estudio evoca el modelo AgirLeafNet, una solución basada en aprendizaje profundo con una combinación de NASNetMobile para extracción de características y Few-Shot Learning (FSL) para clasificación. El Índice de Exceso de Verde (ExG) es un enfoque novedoso que es un índice de vegetación específico que puede mejorar la capacidad del modelo para distinguir y detectar propiedades vegetativas incluso en escenarios con datos etiquetados mínimos, demostrando el tremendo potencial de esta aplicación. AgirLeafNet demuestra una precisión excepcional, con un 100% de precisión para la detección de patata, un 92% para el tomate y un 99,8% para las hojas de mango, produciendo resultados increíblemente precisos en comparación con los modelos ya en uso, como se describe en la literatura. Al demostrar la viabilidad de una arquitectura de sistema de aprendizaje profundo/IoT, este estudio va más allá del estado actual de detección de enfermedades de múltiples cultivos. Proporciona soluciones prácticas, efectivas y eficientes de aprendizaje profundo para sistemas de producción agrícola sostenible. La innovación del modelo enfatiza su capacidad de múltiples cultivos, precisión en los resultados y el uso sugerido de ExG para generar métodos adicionales de detección de enfermedades robustos para nuevos hallazgos. El modelo AgirLeafNet está estableciendo un estándar completamente nuevo para futuros esfuerzos de investigación.