Los cereales son una fuente importante y principal de la dieta humana. Conforman más de dos tercios de la fuente de alimentos mundial y cubren más del 56% de la tierra cultivable del mundo. Estas importantes fuentes de alimentos se ven afectadas por una variedad de enfermedades dañinas, causando una pérdida significativa en la producción anual. En este sentido, la detección de enfermedades en una etapa temprana y la cuantificación de la gravedad ha adquirido la atención urgente de investigadores en todo el mundo. Un enfoque emergente y popular para esta tarea es la utilización de técnicas de aprendizaje automático. En este trabajo, hemos identificado las enfermedades más comunes y dañinas que afectan la producción de cultivos de cereales, y también revisamos 45 trabajos realizados sobre la detección y clasificación de diversas enfermedades que ocurren en seis cultivos de cereales en los últimos cinco años. Además, identificamos y resumimos numerosos conjuntos de datos públicamente disponibles para cada cultivo de cereales, cuya falta identificamos como los principales desafíos enfrentados para investigar la aplicación del aprendizaje automático en la detección de cultivos de cereales. En esta encuesta, identificamos las redes neuronales convolucionales profundas entrenadas en datos hiperespectrales como el enfoque más efectivo para la detección temprana de enfermedades y el aprendizaje por transferencia como el método de entrenamiento más comúnmente utilizado y que produce los mejores resultados.