Esta investigación describe una estrategia de control basada en visión que emplea aprendizaje profundo para un sistema de manipulación aérea desarrollado para el muestreo de vegetación en entornos remotos y peligrosos. El muestreo de vegetación en tales lugares presenta considerables desafíos técnicos, como fallos en el equipo y exposición a elementos peligrosos. Controlar la manipulación aérea en áreas no estructuradas, como los bosques, sigue siendo un desafío significativo debido a la incertidumbre, dinámicas complejas y la posibilidad de colisiones. Para superar estos problemas, ofrecemos un nuevo método de servoing visual basado en imágenes (IBVS) que utiliza la destilación de conocimiento para proporcionar un control robusto, preciso y adaptativo del muestreador de vegetación aérea. Se utiliza una red neuronal convolucional (CNN) de un estudio anterior para detectar el punto de agarre, proporcionando retroalimentación crítica para el proceso de servoing visual. El método sugerido mejora la precisión del servoing visual para el muestreo al utilizar un enfoque basado en el aprendizaje para la selección del punto de agarre y el manejo de errores de calibración de la cámara. Los resultados de la simulación indican que el sistema puede rastrear y muestrear ramas de árboles con un error mínimo, demostrando que tiene el potencial de mejorar la seguridad y la eficiencia del muestreo de vegetación aérea.