La información sobre el crecimiento de los cultivos se recopila a través de investigaciones destructivas, lo que inevitablemente causa discontinuidad en el objetivo. El monitoreo y la estimación en tiempo real de los mismos cultivos objetivo pueden llevar a un control dinámico de retroalimentación, considerando el crecimiento inmediato de los cultivos. Las imágenes son datos de alta dimensión que contienen el crecimiento y las etapas de desarrollo de los cultivos, y la recopilación de imágenes es no destructiva. Proponemos un método de predicción de crecimiento no destructivo que utiliza imágenes RGB de bajo costo y visión por computadora. En este estudio, se seleccionaron y verificaron dos metodologías: un modelo de imagen a crecimiento con imágenes de cultivos y un modelo de simulación de crecimiento con el crecimiento de cultivos estimado. Los mejores modelos para cada caso fueron el transformador de visión (ViT) y la red neuronal convolucional unidimensional (1D ConvNet). Para el peso fresco de los brotes, el peso seco de los brotes y el área foliar de la lechuga, ViT mostró valores de 0.89, 0.93 y 0.78, respectivamente, mientras que 1D ConvNet mostró 0.96, 0.94 y 0.95, respectivamente. Estas precisiones indicaron que las imágenes RGB y las redes neuronales profundas pueden interpretar de manera no destructiva la interacción entre los cultivos y el medio ambiente. En última instancia, los cultivadores pueden mejorar la eficiencia en el uso de recursos al adaptar el monitoreo y la predicción en tiempo real para retroalimentar los controles ambientales y obtener cultivos de alta calidad.