En la agricultura protegida, identificar con precisión las principales etapas de crecimiento de los tomates desempeña un papel significativo en lograr una gestión eficiente y una producción de alta precisión. Sin embargo, los enfoques tradicionales a menudo enfrentan desafíos como la recolección de datos no estandarizada, conjuntos de datos desequilibrados, baja eficiencia de reconocimiento y precisión limitada. Este documento propone una solución innovadora que combina redes generativas adversarias (GANs) y técnicas de aprendizaje profundo para abordar estos desafíos. Específicamente, se emplea el modelo StyleGAN3 para generar imágenes de alta calidad de las etapas de crecimiento de los tomates, aumentando efectivamente el conjunto de datos original con una gama más amplia de imágenes. Este conjunto de datos aumentado se procesa luego utilizando un modelo de Transformador de Visión (ViT) para el reconocimiento inteligente de las etapas de crecimiento de los tomates dentro de un entorno agrícola protegido. El método propuesto se probó en 2723 imágenes, demostrando que las imágenes generadas son casi indistinguibles de las imágenes reales. El enfoque de entrenamiento combinado que incorpora tanto imágenes generadas como originales produjo resultados de reconocimiento superiores en comparación con el entrenamiento solo con las imágenes originales. El conjunto de validación logró una precisión del 99,6%, mientras que el conjunto de pruebas alcanzó el 98,39%, lo que marca mejoras del 22,85%, 3,57% y 3,21% sobre AlexNet, DenseNet50 y VGG16, respectivamente. La velocidad de detección promedio fue de 9,5 ms. Este método proporciona un medio altamente efectivo para identificar las etapas de crecimiento de los tomates en entornos protegidos y ofrece ideas valiosas para mejorar la eficiencia y la calidad de la producción de cultivos protegidos.