La lechuga es una planta anual de la familia Asteraceae. Se cultiva principalmente como hortaliza de hoja, pero a veces por su tallo y semillas, y su estado de crecimiento y calidad se evalúan en función de sus rasgos fenotípicos morfológicos. Sin embargo, los métodos de medición tradicionales suelen ser laboriosos y consumen mucho tiempo debido a las mediciones manuales y pueden resultar menos precisos. En este estudio, propusimos un nuevo método que utiliza imágenes RGB y una Red Neuronal Convolucional (CNN) Mask R para estimar rasgos fenotípicos críticos de la lechuga. Aprovechando conjuntos de datos públicos, empleamos un modelo mejorado de Mask R-CNN para realizar un análisis fenotípico de imágenes de lechuga. Esto nos permitió estimar cinco rasgos fenotípicos simultáneamente, que incluyen peso fresco, peso seco, altura de la planta, diámetro de la copa y área foliar. El modelo mejorado de Mask R-CNN involucró dos aspectos clave: (1) reemplazar la red principal de ResNet por RepVGG para mejorar la eficiencia computacional y el rendimiento; (2) agregar ramas fenotípicas y construir un modelo de regresión multitarea para lograr la estimación de extremo a extremo de los rasgos fenotípicos de la lechuga. Los resultados experimentales demostraron que el método actual logró una alta precisión y resultados estables en las tareas de segmentación, detección y estimación fenotípica de imágenes de lechuga, con APs para detección y segmentación de 0.8684 y 0.8803, respectivamente. Además, los valores R para los cinco rasgos fenotípicos son 0.96, 0.9596, 0.9329, 0.9136 y 0.9592, con errores porcentuales absolutos medios (MAPEs) correspondientes de 0.1072, 0.1522, 0.0757, 0.0548 y 0.0899, respectivamente. Este estudio presenta un nuevo avance técnico basado en conocimiento digital para el análisis fenotípico y la evaluación de la calidad de la lechuga, lo cual podría sentar las bases para la aplicación de la inteligencia artificial en la producción de hortalizas frescas.