La superficie foliar y la biomasa son parámetros morfológicos importantes para el monitoreo in situ de plantas, ya que una hoja es vital para percibir y capturar la luz ambiental, así como representa el desarrollo general de la planta. El enfoque tradicional para las mediciones de superficie foliar y biomasa es destructivo, requiere mano de obra manual y puede causar daños a las plantas. En este trabajo, informamos sobre el enfoque basado en inteligencia artificial para evaluar y predecir la superficie foliar y la biomasa de las plantas. El enfoque propuesto es capaz de estimar y predecir la biomasa general de las plantas en la etapa temprana de crecimiento de manera no destructiva. Por esta razón, equipamos un invernadero industrial para el cultivo de pepinos con sensores ambientales comerciales y cámaras de video. Los datos de los sensores se utilizan para monitorear las condiciones ambientales en el invernadero, mientras que las imágenes desde arriba se utilizan para entrenar Redes Neuronales Convolucionales Completamente Convolucionales (FCNN). El FCNN realiza la tarea de segmentación para el cálculo de la superficie foliar, lo que resulta en un 82% de precisión. La aplicación de FCNN entrenados a las secuencias de imágenes de la cámara permitió la reconstrucción de la superficie foliar por planta y su dinámica de crecimiento. Luego establecimos la dependencia entre la superficie foliar promedio y la biomasa utilizando las mediciones directas de la biomasa. Esto a su vez permitió la reconstrucción y la predicción de la dinámica del crecimiento de la biomasa en el invernadero utilizando los datos de imagen con un error relativo promedio del 10% para el horizonte de predicción de 12 días. La implementación real mostró el alto potencial de los enfoques basados en datos propuestos para la evaluación y predicción de la dinámica de crecimiento de las plantas. Además, cierra la brecha hacia la construcción de invernaderos autónomos completamente cerrados para cosechas y seguridad biológica de las plantas.