Reconocer las plagas de insectos utilizando imágenes es un tema de investigación importante y desafiante. Una clasificación correcta de especies ayudará a elegir una estrategia de mitigación más adecuada en cuanto al manejo de cultivos, pero también es difícil diseñar una solución automatizada debido a la alta similitud entre especies en etapas de madurez similares. Esta investigación propone una solución a este problema utilizando un enfoque de aprendizaje de pocas muestras. Primero, se presenta un nuevo conjunto de datos de insectos basado en imágenes seleccionadas de IP102. El conjunto de datos IP-FSL está compuesto por 97 clases de imágenes de insectos adultos y 45 clases de etapas tempranas, con un total de 6817 imágenes. En segundo lugar, se propone una red prototípica de pocas muestras basada en una comparación con otros modelos de vanguardia y un análisis de divergencia adicional. Se realizaron experimentos separando las clases de adultos y las etapas tempranas en grupos diferentes. Los mejores resultados lograron una precisión del 86.33% para los adultos y del 87.91% para las etapas tempranas, ambas utilizando una medida de divergencia de Kullback-Leibler. Estos resultados son prometedores en un escenario de cultivo donde las plagas más significativas son pocas y es importante detectarlas en etapas más tempranas. Las futuras direcciones de investigación serían evaluar un enfoque similar en ecosistemas de cultivos particulares y probar en diferentes dominios.