La maleza de Parthenium (L. (Asteraceae)), nativa de las Américas, se encuentra entre las 100 especies de plantas más invasivas del mundo. En Australia, es una maleza anual (hierba/arbusto) de importancia nacional, especialmente en el estado de Queensland, donde ha infestado tanto tierras agrícolas como de conservación, incluyendo corredores ribereños. Las estrategias efectivas de control para esta maleza (gestión de pastizales, control biológico y uso de herbicidas) requieren detectar y mapear las poblaciones. Sin embargo, el mapeo se dificulta debido a la naturaleza variada de los paisajes infestados (por ejemplo, terrenos irregulares). Este artículo propone un método novedoso para detectar y mapear poblaciones de Parthenium en entornos pastorales simulados utilizando imágenes Rojo-Verde-Azul (RGB) y/o hiperespectrales asistidas por inteligencia artificial. Se recopilaron dos conjuntos de datos en un entorno controlado utilizando una serie de plantas de Parthenium y plantas que coexisten naturalmente, no Parthenium (monocotiledóneas). Las imágenes RGB se procesaron con una implementación de Red Neuronal Convolucional (CNN) YOLOv4, logrando una precisión general del 95% para la detección y del 86% para la clasificación de las etapas con y sin flor de la maleza. Se utilizó un clasificador XGBoost para la clasificación de píxeles del conjunto de datos hiperespectrales, logrando una precisión de clasificación del 99% para cada clase de etapa de crecimiento de la maleza de Parthenium; todos los materiales recibieron una máscara de color discernible. Cuando las plantas de Parthenium y no Parthenium se combinaron artificialmente en varias permutaciones, la precisión de clasificación de píxeles fue del 99% para cada clase de Parthenium y no Parthenium, nuevamente con todos los materiales recibiendo una máscara de color precisa y discernible. Las métricas de rendimiento indican que nuestro flujo de procesamiento propuesto puede ser utilizado en el diseño preliminar de estrategias de detección de la maleza de Parthenium, y puede extenderse para el procesamiento automatizado de datos recopilados de RGB y hiperespectrales de vehículos aéreos no tripulados (UAV). Los hallazgos también demuestran el potencial de utilizar imágenes recopiladas en un entorno controlado en invernadero para el diseño preliminar de estrategias de detección de malezas invasoras en el campo.