Este documento presenta una evaluación de diferentes arquitecturas de redes neuronales convolucionales (CNN) utilizando imágenes en falso color obtenidas por sensores multiespectrales en drones para la detección de la Sigatoka negra en cultivos de plátano. El objetivo es utilizar drones para mejorar la precisión y eficiencia en la detección de la Sigatoka negra, reducir su impacto en la producción de plátano y mejorar la gestión sostenible de los cultivos de plátano, una de las frutas más producidas, comercializadas e importantes para la seguridad alimentaria consumida en todo el mundo. Este estudio tiene como objetivo mejorar la precisión y exactitud en el análisis de las imágenes y la detección de la presencia de la enfermedad utilizando algoritmos de aprendizaje profundo. Además, estamos utilizando drones, imágenes multiespectrales y diferentes CNN, apoyados por el aprendizaje por transferencia, para mejorar y escalar el enfoque actual utilizando imágenes RGB obtenidas por cámaras convencionales e incluso cámaras de teléfonos inteligentes, disponibles en conjuntos de datos abiertos. La innovación de este estudio, en comparación con las tecnologías existentes para la detección de enfermedades en cultivos, radica en las ventajas que ofrece el uso de drones para la adquisición de imágenes de cultivos, en este caso, construyendo y probando nuestros propios conjuntos de datos, lo que nos permite ahorrar tiempo y recursos en la identificación de enfermedades de cultivos de manera altamente escalable. Las CNN utilizadas son un tipo de red neuronal artificial ampliamente utilizada para el entrenamiento de máquinas; contienen varias capas especializadas interconectadas entre sí en las que las capas iniciales pueden detectar líneas y curvas, y gradualmente se especializan hasta alcanzar capas más profundas que reconocen formas complejas. Utilizamos sensores multiespectrales para crear imágenes en falso color alrededor de los espectros de color rojo para distinguir las hojas infectadas. Los resultados relevantes de este estudio incluyen la construcción de un conjunto de datos con 505 imágenes originales de drones. Al subdividirlas y convertirlas en imágenes en falso color utilizando los sensores multiespectrales del UAV, obtuvimos 2706 objetos de hojas enfermas, 3102 objetos de hojas sanas y 1192 objetos adicionales de no-hojas para entrenar algoritmos de clasificación. Además, se generaron 3640 etiquetas de Sigatoka negra por expertos en fitopatología, ideales para entrenar algoritmos para detectar esta enfermedad en cultivos de plátano. En clasificación, logramos un rendimiento del 86.5% utilizando imágenes en falso color con composición de rojo, borde rojo y cercano al infrarrojo a través de MobileNetV2 para tres clases (hojas sanas, hojas enfermas y extras no-hojas). Obtuvimos mejores resultados en la identificación de la enfermedad de Sigatoka negra en cultivos de plátano utilizando el enfoque de clasificación con MobileNetV2 así como nuestros propios conjuntos de datos.