El aprendizaje profundo juega un papel vital en la detección precisa de enfermedades de la vid, sin embargo, las aplicaciones prácticas para la asistencia a los agricultores son escasas a pesar de los resultados prometedores. El objetivo de esta investigación es desarrollar un enfoque inteligente, respaldado por un software de código abierto fácil de usar llamado AI GrapeCare (Versión 1, creado por Osama Elsherbiny). Este enfoque utiliza imágenes RGB y redes profundas híbridas para la detección y prevención de enfermedades de la vid. La exploración de la arquitectura óptima de aprendizaje profundo implicó combinar redes neuronales convolucionales (CNN), memoria a corto y largo plazo (LSTM), redes neuronales profundas (DNN) y redes de transferencia de aprendizaje (incluyendo VGG16, VGG19, ResNet50 y ResNet101V2). Se empleó una matriz de co-ocurrencia de niveles de gris (GLCM) para medir las características texturales. La plataforma de detección de enfermedades de plantas (PDD) creó un conjunto de datos de imágenes reales de hojas de uva de viñedos para mejorar la identificación de enfermedades de plantas. Se aplicó una técnica de aumento de datos para abordar el problema de la escasez de imágenes. Posteriormente, el conjunto de datos aumentado se utilizó para entrenar los modelos y mejorar su capacidad para identificar y clasificar con precisión las enfermedades de las plantas en escenarios del mundo real. Los resultados analizados indicaron que la red profunda combinada CNN-LSTM, basada en la red preentrenada VGG16 y el aumento de datos, superó las características de la red profunda separada y la versión no aumentada. Su precisión de validación, precisión de clasificación, recuperación y medida F son todas del 96.6%, con una intersección sobre unión del 93.4% y una pérdida de 0.123. Además, el software desarrollado a través del enfoque propuesto tiene un gran potencial como herramienta rápida para diagnosticar enfermedades de la vid en menos de un minuto. El marco del estudio muestra potencial para una futura expansión que incluya varios tipos de árboles. Esta capacidad puede ayudar a los agricultores en la detección temprana de enfermedades de los árboles, permitiéndoles implementar medidas preventivas.