Con una recuperación limitada de reservas y una capacidad restringida en fitopatología, la automatización de procesos se vuelve esencial. En todo el mundo, los agricultores luchan por prevenir varios daños causados por bacterias o patógenos como virus, hongos, gusanos, protozoos e insectos. El aprendizaje profundo se utiliza actualmente ampliamente en una amplia gama de aplicaciones, incluyendo escritorio, web y móvil. En este estudio, los autores intentan implementar la función de la arquitectura de modificación AlexNet basada en CNN en la plataforma Android para predecir enfermedades de tomate basadas en imágenes de hojas. Se utilizó un conjunto de datos con 18,345 datos de entrenamiento y 4,585 datos de prueba para crear el modelo predictivo. La información se divide en diez etiquetas para enfermedades de hojas de tomate, cada una con 64 x 64 píxeles RGB. El mejor modelo utilizando el optimizador Adam con una tasa de realización de 0.0005, el número de épocas 75, tamaño de lote 128 y una función de pérdida de entropía cruzada sin compromisos, tiene una alta precisión del modelo con un promedio del 98%, una tasa de rigor del 0.98, un valor de recuperación de 0.99 y un recuento de F1 de 0.98 con una pérdida de 0.1331, de modo que los resultados de clasificación son buenos y muy precisos.