Para abordar la situación actual, en la que la detección de defectos en peras aún se basa en una fuerza laboral con baja eficiencia, proponemos el uso del modelo CNN para detectar defectos en peras. Dado que es un desafío obtener imágenes de defectos en el proceso de implementación, se utilizó una red generativa adversarial convolucional profunda para aumentar las imágenes de defectos. Como indicaron los resultados experimentales, la precisión de detección del método propuesto en el conjunto de validación de 3000 fue tan alta como el 97.35%. Se compararon variantes de CNN de vanguardia para evaluar a fondo el rendimiento del modelo, y se seleccionó el mejor para realizar experimentos comparativos adicionales con métodos tradicionales de aprendizaje automático, como el algoritmo de máquina de soporte vectorial, el algoritmo de bosque aleatorio y el algoritmo de agrupamiento de k-vecinos más cercanos. Además, se eligieron otras dos variedades de peras que no habían sido entrenadas para validar la robustez y la capacidad de generalización del modelo. Los resultados de validación ilustraron que el método propuesto es más preciso que los algoritmos comúnmente utilizados para la detección de defectos en peras. Es lo suficientemente robusto como para generalizarse bien a otros conjuntos de datos. Con el fin de permitir que el método propuesto en este documento se aplique en la agricultura, se construyó un sistema inteligente de detección de defectos en peras basado en un dispositivo iOS.