La agricultura de precisión es un enfoque que utiliza tecnologías de la información para mejorar y optimizar la producción agrícola. Se basa en la recopilación y análisis de datos agrícolas para apoyar la toma de decisiones en los procesos agrícolas. En los últimos años, las Redes Neuronales Artificiales (RNA) han demostrado beneficios significativos para abordar las necesidades de la agricultura de precisión, como la detección de plagas, la clasificación de enfermedades, la evaluación del estado de los cultivos y la evaluación de la calidad del suelo. Este artículo tiene como objetivo realizar una revisión sistemática de la literatura sobre cómo las RNA, con énfasis en el procesamiento de imágenes, pueden evaluar si frutas como el mango, la manzana, el limón y el café están listas para la cosecha. Estos cultivos específicos fueron seleccionados debido a su diversidad en color y tamaño, proporcionando una muestra representativa para analizar los métodos de RNA más comúnmente empleados en la agricultura, especialmente para la maduración de frutas, daños, detección de plagas y predicción de cosechas. Esta revisión identifica las Redes Neuronales Convolucionales (RNC), incluyendo arquitecturas comúnmente empleadas como VGG16 y ResNet50, como altamente efectivas, logrando precisiones que oscilan entre el 83% y el 99%. Además, discute la integración de hardware y software, métodos de preprocesamiento de imágenes y métricas de evaluación comúnmente empleadas. Los resultados revelan el notable subuso de índices de vegetación y técnicas de imagen infrarroja para la evaluación detallada de la calidad de las frutas, indicando valiosas oportunidades para futuras investigaciones.