El diagnóstico temprano de enfermedades del arroz es importante porque representa una considerable amenaza para la productividad agrícola, así como para la seguridad alimentaria mundial. Es desafiante obtener resultados más confiables basados en el porcentaje del valor RGB utilizando resultados de procesamiento de imágenes para la detección y clasificación de enfermedades del arroz en el campo agrícola. El aprendizaje automático, especialmente con una Red Neuronal Convolucional (CNN), es una gran herramienta para superar este problema. Sin embargo, la utilización de técnicas de aprendizaje profundo a menudo requiere dispositivos informáticos de alto rendimiento, costosas GPUs e infraestructura informática extensa. Como resultado, esto aumenta significativamente los gastos generales para los usuarios. Por lo tanto, la demanda de modelos CNN más pequeños se vuelve particularmente pronunciada, especialmente en sistemas integrados, robótica y aplicaciones móviles. Estos dominios requieren un rendimiento en tiempo real y un mínimo costo computacional, lo que hace que los modelos CNN más pequeños sean altamente deseables debido a su menor costo computacional. Este documento presenta una arquitectura CNN novedosa que es comparativamente pequeña en tamaño y prometedora en rendimiento para predecir enfermedades de hojas de arroz con una precisión moderada y una complejidad temporal menor. La red CNN se entrena con imágenes procesadas. El procesamiento de imágenes se realiza utilizando segmentación y agrupamiento k-means para eliminar el fondo y las partes verdes de las imágenes afectadas. Esta técnica propone detectar enfermedades del arroz como mancha marrón del arroz, bacteriosis del arroz y carbón de la hoja con resultados confiables en la clasificación de enfermedades. El modelo se entrena utilizando un conjunto de datos aumentado de 2700 imágenes (60% de los datos) y se valida con 1200 imágenes de muestras afectadas por enfermedades para identificar enfermedades del arroz en campos agrícolas. El modelo se prueba con 630 imágenes (14% de los datos); la precisión de la prueba es del 97.9%. El modelo se exporta a una aplicación móvil para introducir la aplicación en la vida real del resultado de este trabajo. La precisión del modelo se compara con otros trabajos asociados con este tipo de problema. Se encuentra que el rendimiento del modelo y la aplicación son satisfactorios en comparación con otros trabajos relacionados con este tema. La precisión general es notable, mostrando la confiabilidad y la dependencia de este modelo para clasificar enfermedades de las hojas de arroz.