Debido al aumento proyectado en la producción de alimentos en un 70% en 2050, los cultivos deben ser protegidos adicionalmente de enfermedades y plagas para garantizar un suministro suficiente de alimentos. Los enfoques de aprendizaje profundo de transferencia proporcionan una solución más eficiente que los métodos tradicionales, que son intensivos en mano de obra y tienen dificultades para monitorear eficazmente áreas extensas, lo que lleva a una detección retardada de enfermedades. Este estudio propuso un módulo versátil basado en el módulo Inception, la función de activación Mish y la normalización por lotes (IncMB) como parte de las redes neuronales profundas. Se utilizó una red neuronal convolucional (CNN) con aprendizaje de transferencia como base para evaluar enfoques para la detección de enfermedades en tomates: (1) CNN, (2) CNN con una máquina de vectores de soporte (SVM) y (3) CNN con el módulo IncMB propuesto. En el experimento, se utilizó el conjunto de datos público PlantVillage, que contiene imágenes de seis enfermedades diferentes de hojas de tomate. Los mejores resultados se lograron con la red pre-entrenada InceptionV3, que contiene un módulo IncMB con una precisión del 97.78%. En tres de los cuatro casos, la mayor precisión se logró con las redes que contenían el módulo IncMB propuesto en comparación con las CNN evaluadas. El módulo IncMB propuesto representó una mejora en la detección temprana de enfermedades de plantas, proporcionando una base para la detección oportuna de enfermedades de las hojas.