Los arándanos, nativos de América del Norte, son conocidos por su valor nutricional y los beneficios para la salud humana. Un obstáculo para la producción comercial son las pérdidas debido a la pudrición de la fruta. La pudrición de los arándanos resulta de un complejo de más de diez hongos filamentosos, lo que dificulta la cría para la resistencia. No obstante, nuestro programa de cría colaborativa tiene la resistencia a la pudrición de la fruta como un objetivo significativo. Este programa actualmente depende en gran medida de la clasificación manual de arándanos sanos frente a podridos. Este proceso es intensivo en mano de obra y consume mucho tiempo, lo que plantea la necesidad de un sistema de clasificación automatizado (sano vs. podrido). Aunque muchos estudios se han centrado en clasificar diferentes frutas y verduras, aún no se ha desarrollado un enfoque similar para los arándanos, en parte porque faltan conjuntos de datos para realizar los análisis de imagen necesarios. Esta investigación aborda esta brecha al introducir un nuevo conjunto de datos de imágenes que comprende arándanos sanos y podridos para facilitar el análisis computacional. Además, desarrollamos CARP (Evaluación de Arándanos para la Predicción de Pudrición), un modelo basado en una red neuronal convolucional (CNN) para distinguir arándanos sanos de los podridos. Con una precisión del 97.4%, una sensibilidad del 97.2% y una especificidad del 97.2% en el conjunto de datos de entrenamiento y del 94.8%, 95.4% y 92.7% en el conjunto de datos independiente, respectivamente, nuestro modelo CNN propuesto muestra su efectividad para diferenciar con precisión entre arándanos sanos y podridos.