Los sistemas agrícolas conforman la columna vertebral del sistema alimentario mundial. El sistema alimentario, a su vez, es un componente crítico en el desarrollo sostenible, con vínculos directos a los sistemas sociales, económicos y ecológicos. Las malas hierbas son uno de los principales factores responsables de la brecha en el rendimiento de los cultivos en diferentes regiones del mundo. En este trabajo, se conceptualizó, desarrolló y entrenó una herramienta de identificación de plantas y malas hierbas basada en redes neuronales profundas artificiales para ser utilizada con el propósito de desmalezar el espacio entre hileras en campos de cultivo. Se conceptualizó y propuso un diseño de alto nivel del robot desmalezador como solución al problema de la infestación de malas hierbas en los sistemas agrícolas. El proceso de implementación incluye la recopilación de datos, preprocesamiento de datos, entrenamiento y optimización de un modelo de red neuronal. Se consideró un modelo de red neuronal preentrenado selectivo para implementar la tarea de identificación de plantas y malas hierbas. El método Faster R-CNN (Red Neuronal Convolucional basada en Regiones) logró una Precisión Promedio Media (mAP) global de alrededor del 31% al considerar el hiperparámetro de tasa de aprendizaje de 0,0002. En las pruebas de predicción de plantas y malas hierbas, se observaron valores de predicción en el rango del 88-98% en comparación con la verdad de terreno. Mientras que en un conjunto de datos completamente desconocido de plantas y malas hierbas, las predicciones se observaron en el rango del 67-95% para plantas y del 84% al 99% en el caso de las malas hierbas. Además de eso, se propone una técnica de estimación de tallos simple pero única para las malas hierbas identificadas basada en la localización de la caja delimitadora del objeto dentro del marco de la imagen.