La agricultura impulsada por la tecnología, o agricultura de precisión (PA), es indispensable en el mundo contemporáneo debido a sus ventajas y la disponibilidad de innovaciones tecnológicas. En particular, la detección temprana de enfermedades en los cultivos agrícolas ayuda a la comunidad agrícola a garantizar la salud de los cultivos, reducir gastos y aumentar el rendimiento de los cultivos. Los gobiernos han utilizado principalmente sistemas actuales para estadísticas agrícolas y toma de decisiones estratégicas, pero aún existe una necesidad crítica de que los agricultores tengan acceso a soluciones rentables y fáciles de usar que puedan ser utilizadas por ellos independientemente de su nivel educativo. En este estudio, utilizamos cuatro enfermedades de las hojas de manzano (manchas en las hojas, mosaico, óxido y manchas marrones) del conjunto de datos de PlantVillage para desarrollar un Sistema Automatizado de Identificación de Enfermedades de Cultivos Agrícolas (AACDIS), un marco de aprendizaje profundo para identificar y categorizar enfermedades de cultivos. Este marco utiliza redes neuronales convolucionales profundas (CNN) e incluye tres modelos de CNN creados específicamente para esta aplicación. AACDIS logra mejoras significativas en el rendimiento al combinar la inception en cascada e inspirarse en el conocido diseño de AlexNet, convirtiéndolo en una herramienta potente para gestionar enfermedades agrícolas. AACDIS también tiene conciencia de la Región de Interés (ROI), un componente crucial que mejora la eficiencia y precisión de la identificación de enfermedades. Esta característica garantiza que el sistema pueda identificar rápida y precisamente las áreas relacionadas con enfermedades dentro de las imágenes, lo que permite un diagnóstico de enfermedades más rápido y preciso. Los hallazgos experimentales muestran una precisión de prueba del 99.491%, que es mejor que muchos modelos de aprendizaje profundo de última generación. Este estudio empírico revela los beneficios potenciales del sistema propuesto para la identificación temprana de enfermedades. Esta investigación desencadena una mayor indagación para realizar una agricultura de precisión y una agricultura inteligente plenamente desarrolladas.