El monitoreo de la salud de las plantas de hortalizas y frutas, especialmente durante la etapa crítica de crecimiento de plántulas, es esencial para protegerlas de diversos estreses ambientales y prevenir la pérdida de rendimiento. Diferentes estreses ambientales pueden causar síntomas similares, lo que hace que la inspección visual por sí sola sea poco confiable y potencialmente conduzca a un diagnóstico incorrecto y a acciones correctivas demoradas. Este estudio tuvo como objetivo abordar estos desafíos proponiendo un modelo de regresión segmentado y un modelo Mask R-CNN para detectar el momento de inicio y los síntomas del estrés nutricional en plántulas de pepino dentro de un ambiente controlado. El estrés nutricional se indujo aplicando dos tratamientos diferentes: una deficiencia nutricional indicativa con una conductividad eléctrica (EC) de 0 dSm y un exceso de nutrientes con una solución de alta concentración de nutrientes y una EC de 6 dSm. Se recolectaron imágenes de las plántulas utilizando un sistema automático de adquisición de imágenes dos semanas después de la germinación. El inicio temprano del estrés nutricional se detectó utilizando un análisis de regresión segmentado, que analizó características morfológicas y texturales extraídas de las imágenes. Para el modelo Mask R-CNN, se anotaron 800 imágenes de plántulas basadas en los resultados del análisis de regresión segmentado. Las plántulas con estrés nutricional se identificaron desde el día de inicio hasta 4.2 días después de la aplicación del tratamiento. El modelo Mask R-CNN, implementado utilizando ResNet-101 para la extracción de características, aprovechó el aprendizaje por transferencia para entrenar la red con un conjunto de datos más pequeño, reduciendo así el tiempo de procesamiento. Este estudio identifica el área de proyección superior de la copa (TPCA), la energía, la entropía y la homogeneidad como indicadores prospectivos de déficits nutricionales en plántulas de pepino. Los resultados del modelo Mask R-CNN son prometedores, con la mejor imagen obteniendo un puntaje F1 del 93.4%, una precisión del 93% y una recuperación del 94%. Estos hallazgos demuestran la efectividad de los métodos integrados de estadística y aprendizaje automático (ML) para el diagnóstico temprano y preciso del estrés nutricional. El uso de la regresión segmentada para la detección inicial, seguido por el Mask R-CNN para una identificación precisa, enfatiza el potencial de este enfoque para mejorar las prácticas agrícolas. Al facilitar la detección temprana y el diagnóstico preciso del estrés nutricional, este enfoque permite tratamientos más rápidos y precisos, lo que mejora la salud y productividad de los cultivos. Investigaciones futuras podrían ampliar esta metodología a otros tipos de cultivos y condiciones de campo para mejorar las técnicas de procesamiento de imágenes, y los investigadores también podrían integrar sistemas de monitoreo en tiempo real.