Las plagas son siempre la principal fuente de daño en los campos y pérdidas severas en la producción de cultivos en la agricultura. Actualmente, clasificar y contar manualmente las plagas es un proceso que consume mucho tiempo, y la precisión en la enumeración de la población puede verse afectada por una variedad de medidas subjetivas. Además, debido a las diversas escalas y comportamientos de las plagas, los algoritmos actuales de localización de plagas basados en CNN no son adecuados para una gestión efectiva de plagas en la agricultura. Para superar los desafíos existentes, en este estudio se desarrolla un método para la localización y clasificación de plagas. Para fines de localización, se entrena YOLOv5 utilizando los hiperparámetros de aprendizaje óptimos que localizan con mayor precisión la región de la plaga en imágenes de plantas con puntajes F1 de 0.93. Después de la localización, las imágenes de plagas se clasifican en Arroz con plaga/Arroz sin plaga utilizando el modelo de aprendizaje cuántico propuesto, que consta de quince capas con nodos de dos qubits. La red propuesta se entrena desde cero con parámetros óptimos que proporcionan una precisión de clasificación del 99.9%. Los resultados obtenidos se comparan con los métodos recientes existentes, que se realizan en los mismos conjuntos de datos para demostrar la novedad del modelo desarrollado.