Varias enfermedades de plantas son grandes amenazas para la agricultura. Para el control oportuno de diferentes enfermedades de plantas de manera efectiva, la identificación automatizada de enfermedades es muy beneficiosa. Hasta ahora, se han utilizado diferentes técnicas para identificar las enfermedades en las plantas. El aprendizaje profundo es una de las técnicas más ampliamente utilizadas en tiempos recientes debido a sus resultados impresionantes. En este trabajo, hemos propuesto dos métodos, a saber, VGG superficial con RF y VGG superficial con Xgboost para identificar las enfermedades. El modelo propuesto se compara con otros enfoques basados en el aprendizaje profundo y creados a mano. Los experimentos se realizaron en tres plantas diferentes, a saber, maíz, papa y tomate. Las enfermedades consideradas en el maíz son Tizón, Roya común y Mancha foliar gris, las enfermedades en las papas son tizón temprano y tizón tardío, y las enfermedades del tomate son mancha bacteriana, tizón temprano y tizón tardío. El resultado muestra que nuestro modelo implementado de VGG superficial con Xgboost supera a diferentes modelos de aprendizaje profundo en términos de precisión, sensibilidad, puntuación f1 y especificidad. Visual Geometric Group (VGG) superficial con Xgboost ofrece la tasa de precisión más alta del 94,47% en el maíz, 98,74% en la papa y 93,91% en el conjunto de datos del tomate. Los modelos también se probaron con imágenes de campo de papa, maíz y tomate. Incluso en imágenes de campo, la precisión promedio obtenida utilizando VGG superficial con Xgboost es del 94,22%, 97,36% y 93,14%, respectivamente.