Se han realizado varios estudios sobre imágenes de plantas. Los algoritmos de aprendizaje automático suelen utilizarse en estudios basados en imágenes de luz visible, mientras que, en estudios basados en imágenes térmicas, las imágenes térmicas adquiridas tienden a ser analizadas con un examen visual a simple vista. Sin embargo, las cámaras de luz visible son sensibles a la luz y no pueden utilizarse en entornos con poca iluminación. Aunque las cámaras térmicas no son susceptibles a estas desventajas, son sensibles a la temperatura y humedad atmosférica. Además, en estudios anteriores basados en cámaras térmicas, se realizaron análisis manuales que consumían mucho tiempo. Por lo tanto, en este estudio, realizamos un estudio novedoso utilizando simultáneamente imágenes térmicas e imágenes de luz visible correspondientes de plantas para resolver estos problemas. La red propuesta extrajo características de cada imagen térmica e imagen de luz visible correspondiente de las plantas a través de redes de ramificación basadas en bloques residuales, y combinó las características para aumentar la precisión de la clasificación multiclase. Además, en este estudio se construyó una nueva base de datos adquiriendo imágenes térmicas e imágenes de luz visible correspondientes de varias plantas.