La identificación oportuna y la prevención temprana de enfermedades en los cultivos son esenciales para mejorar la producción. En este documento, se implementan modelos de redes neuronales convolucionales profundas (CNN) para identificar y diagnosticar enfermedades en las plantas a partir de sus hojas, ya que las CNN han logrado resultados impresionantes en el campo de la visión por computadora. Los modelos CNN estándar requieren un gran número de parámetros y un mayor costo computacional. En este documento, reemplazamos la convolución estándar con convolución separable en profundidad, lo que reduce el número de parámetros y el costo computacional. Los modelos implementados se entrenaron con un conjunto de datos abierto que consta de 14 especies de plantas diferentes, y 38 clases de enfermedades categóricas diferentes y hojas de plantas sanas. Para evaluar el rendimiento de los modelos, se incorporaron diferentes parámetros como tamaño de lote, abandono y diferentes números de épocas. Los modelos implementados lograron tasas de precisión en la clasificación de enfermedades del 98.42%, 99.11%, 97.02% y 99.56% utilizando InceptionV3, InceptionResNetV2, MobileNetV2 y EfficientNetB0, respectivamente, que fueron mayores que las de los enfoques tradicionales basados en características hechas a mano. En comparación con otros modelos de aprendizaje profundo, el modelo implementado logró un mejor rendimiento en términos de precisión y requirió menos tiempo de entrenamiento. Además, la arquitectura de MobileNetV2 es compatible con dispositivos móviles utilizando el parámetro optimizado. Los resultados de precisión en la identificación de enfermedades mostraron que el modelo de CNN profundo es prometedor y puede tener un gran impacto en la identificación eficiente de las enfermedades, y puede tener potencial en la detección de enfermedades en sistemas agrícolas en tiempo real.