La fruta es un elemento esencial de la vida humana y una ganancia significativa para el sector agrícola. La guayaba es una fruta común que se encuentra en diferentes países. Se considera la cuarta fruta principal en Pakistán. Varias enfermedades bacterianas y fúngicas encontradas en la fruta de guayaba disminuyen la producción diariamente. La Mancha Foliar es una enfermedad común encontrada en la fruta de guayaba que afecta el crecimiento y la producción de la fruta. La detección automática de la enfermedad de la mancha foliar en la fruta de guayaba puede ayudar a evitar disminuciones en su producción. En esta investigación, propusimos un modelo profundo basado en CNN llamado SidNet. El modelo propuesto contiene treinta y tres capas. Utilizamos un conjunto de datos de guayaba para el reconocimiento temprano de la mancha foliar, que consta de dos clases. Inicialmente, se empleó el espacio de color YCbCr como paso de preprocesamiento en la detección de la mancha foliar. Dado que el conjunto de datos original era pequeño, se realizó un aumento de datos. Se utilizaron DarkNet-53, AlexNet y el SidNet propuesto para la adquisición de características. Las características se fusionaron para obtener los mejores resultados deseados. Se utilizó la Optimización Binaria del Lobo Gris (BGWO) en las características fusionadas para la selección de características. Las características optimizadas se dieron a las variantes de los clasificadores SVM y KNN para la clasificación. Los experimentos se realizaron en validación cruzada de 5 y 10 pliegues. Los resultados más altos alcanzables fueron del 98.9% con 5 pliegues y del 99.2% con 10 pliegues, confirmando la evidencia de que la identificación de la Mancha Foliar es precisa, exitosa y eficiente.