La segmentación de imágenes es un paso fundamental pero crítico para lograr un fenotipado automatizado de alto rendimiento. Mientras que los métodos de segmentación convencionales funcionan bien en entornos homogéneos, el rendimiento disminuye cuando se utilizan en entornos más complejos. Este estudio tuvo como objetivo desarrollar una herramienta de segmentación basada en redes neuronales que sea rápida y robusta para fenotipar plantas tanto en entornos de campo como de invernadero de manera de alto rendimiento. Se adquirieron imágenes digitales de frijol de carita (del invernadero) y trigo (del campo) con diferentes suministros de nutrientes a lo largo de su ciclo de crecimiento completo. Se transformaron parches de imagen de 20 imágenes seleccionadas al azar del conjunto de datos adquirido de su formato RGB original a múltiples espacios de color. Los píxeles en los parches fueron anotados como primer plano y fondo, con un píxel teniendo un vector de características de 24 propiedades de color. Se aplicó una técnica de selección de características para elegir las características sensibles, que se utilizaron para entrenar una red de perceptrón multicapa (MLP) y otros dos modelos de aprendizaje automático tradicionales: máquinas de soporte vectorial (SVM) y bosque aleatorio (RF). Se comparó el rendimiento de estos modelos, junto con dos técnicas de segmentación de índice de color estándar (exceso de verde (ExG) y exceso de verde-rojo (ExGR)). El método propuesto superó a los otros métodos en la producción de imágenes segmentadas de calidad con más del 98% de precisión en la clasificación de píxeles. Los modelos de regresión desarrollados a partir de los diferentes métodos de segmentación para predecir los valores de Análisis de Suelo y Planta (SPAD) de frijol de carita y trigo mostraron que las imágenes del método MLP propuesto produjeron modelos con alta capacidad predictiva y precisión comparable. Este método será una herramienta esencial para el desarrollo de un pipeline de análisis de datos para el fenotipado de plantas de alto rendimiento. La técnica propuesta es capaz de aprender de diferentes condiciones ambientales, con un alto nivel de robustez.