La detección en línea de información sobre fertilizantes es fundamental para una aplicación precisa e inteligente de fertilizantes de tasa variable. Sin embargo, los métodos tradicionales enfrentan desafíos como la cuantificación compleja de múltiples componentes y la contaminación cruzada inducida por sensores. Este estudio investiga la integración de principios de infrarrojo cercano con algoritmos de aprendizaje automático para identificar tipos y concentraciones de fertilizantes. Utilizamos la espectroscopia de transmisión de infrarrojo cercano y aplicamos análisis discriminante de mínimos cuadrados parciales (PLS-DA), Máquina de Vectores de Soporte (SVM) y Red Neuronal de Retropropagación (BPNN) para analizar datos de espectro completo. El modelo BPNN, utilizando suavizado S-G, demostró un rendimiento de clasificación superior para los iones de nutrientes de cuatro soluciones de fertilizantes: HPO, NH, HPO y K. La optimización utilizando el método de muestreo reponderado adaptativo competitivo (CARS) produjo valores de RMSE del modelo BPNN de 0.3201, 0.7160, 0.2036 y 0.0177 para HPO, NH, HPO y K, respectivamente. Basándonos en esta base, diseñamos un dispositivo de detección de fertilizantes de cuatro canales basado en la ley de Lambert-Beer, que permite la detección en tiempo real de tipos y concentraciones de fertilizantes. Los resultados de la prueba confirmaron la robusta estabilidad del dispositivo, logrando un 93% de precisión en la identificación de tipos y concentraciones de fertilizantes, con valores de RMSE que van desde 1.0034 hasta 2.4947, todos dentro de un margen de error de +/-8.0%. Este estudio aborda los requisitos prácticos para la detección en línea de fertilizantes en ingeniería agrícola, sentando las bases para una tecnología eficiente de integración agua-fertilizante alineada con los objetivos de desarrollo sostenible.