La clasificación es un proceso vital durante la poscosecha de productos hortícolas, ya que afecta drásticamente la preferencia y satisfacción del consumidor cuando los productos llegan al mercado. La clasificación manual es lenta, poco económica y potencialmente destructiva. Se desarrolló un sistema automatizado no invasivo para los niveles de calidad de plátanos de exportación, que utilizó imágenes RGB, hiperespectrales y técnicas de aprendizaje profundo. Se utilizó un conjunto de datos reales de niveles de plátanos preclasificados según calidad y tamaño (Clase 1 para plátanos de calidad de exportación, Clase 2 para el mercado local y Clase 3 para frutas defectuosas) utilizando estándares internacionales. El modelo de múltiples entradas logró una excelente precisión general del 98.45% utilizando solo un número mínimo de muestras en comparación con otros métodos en la literatura. El modelo pudo incorporar tanto propiedades externas como internas de la fruta. El tamaño del plátano se utilizó como característica para la clasificación de calidad, así como otras características morfológicas utilizando imágenes RGB, mientras que los valores de reflectancia que ofrecen información valiosa y han mostrado una alta correlación con las características internas de las frutas se obtuvieron a través de imágenes hiperespectrales. Este estudio destacó las fortalezas combinadas de las imágenes RGB e hiperespectrales en la clasificación de plátanos, y esto puede servir como un paradigma para la clasificación de otros cultivos hortícolas. El tiempo de procesamiento rápido del modelo de múltiples entradas desarrollado puede ser ventajoso cuando se trata de procesos reales de poscosecha en la granja.