El yute, un cultivo de fibra lignocelulósica vital con una relevancia industrial y ecológica considerable, continúa sufriendo una degradación significativa en rendimiento y calidad debido a patologías foliares generalizadas. Las modalidades de diagnóstico tradicionales, que dependen de inspecciones manuales en el campo, están inherentemente limitadas por la subjetividad, la latencia diagnóstica y la escalabilidad inadecuada en sistemas agrarios distribuidos geográficamente. Para trascender estas limitaciones, proponemos DERIENet, un enfoque de clasificación robusto y escalable dentro de un marco de aprendizaje profundo en conjunto. Está meticulosamente diseñado al integrar tres redes neuronales convolucionales de alto rendimiento: ResNet50, InceptionV3 y EfficientNetB0, junto con estrategias de regularización, normalización por lotes y abandono, para clasificar con precisión las enfermedades de las hojas de yute, como la mancha foliar de Cercospora, el virus del mosaico dorado y las hojas sanas. Una contribución metodológica clave es el diseño de un nuevo pipeline de aumento, denominado Oclusión Localizada Geométrica y Reescalado Adaptativo (GLOAR), que modula dinámicamente las distorsiones fotométricas y geométricas en función de la entropía de la imagen y la luminancia para aumentar sintéticamente un conjunto de datos limitado (920 imágenes) en un conjunto de datos significativamente enriquecido y diverso de 7800 muestras, mitigando así el sobreajuste y mejorando la generalizabilidad del dominio. La evaluación empírica, utilizando un conjunto completo de métricas de rendimiento: precisión, precisión, recuperación, puntuación F1, matrices de confusión y curvas ROC, demuestra que DERIENet logra una precisión de clasificación de vanguardia del 99.89%, con precisión, recuperación y puntuación F1 promediadas de macro y promedio ponderado uniformemente en 99.89%, y un AUC de 1.0 en todas las categorías de enfermedades. La fiabilidad del modelo se valida mediante la matriz de confusión, que muestra que 899 de las 900 imágenes de prueba fueron identificadas correctamente y que solo hubo una mala clasificación. Las evaluaciones comparativas de las diversas líneas base en conjunto, como DenseNet201, MobileNetV2 y VGG16, y los aprendices base individuales demuestran que DERIENet tiene un rendimiento notablemente superior a todos los modelos base. Proporciona una arquitectura altamente interpretable, lista para el despliegue y computacionalmente eficiente que es ideal para integrarse en plataformas de borde o móviles para facilitar diagnósticos de enfermedades in situ y en tiempo real en la agricultura de precisión.