La bacteria representa una amenaza significativa para la agricultura global debido a su capacidad para infectar hojas, frutas y tallos bajo diversas condiciones climáticas. Su rápida propagación en grandes áreas de cultivo resulta en pérdidas económicas, compromete la productividad agrícola, aumenta los costos de gestión y pone en peligro la seguridad alimentaria, especialmente en sistemas agrícolas a pequeña escala. Para abordar este problema, este estudio desarrolló un modelo que combina lógica difusa y redes neuronales, optimizado con algoritmos inteligentes, para detectar síntomas de esta enfermedad foliar en 15 especies de cultivos esenciales bajo diferentes condiciones ambientales utilizando imágenes. Con este propósito, se emplearon sistemas de inferencia difusa de tipo Sugeno y sistemas de inferencia neuro-difusa adaptativos (ANFIS), configurados con reglas y métodos de agrupación diseñados para abordar casos en los que surge incertidumbre diagnóstica debido a la imprecisión de diferentes escenarios agrícolas. El modelo logró una precisión del 93.81%, demostrando robustez contra variaciones en iluminación, sombras y ángulos de captura, y demostrando ser efectivo en la identificación de patrones asociados con la enfermedad en etapas tempranas, lo que permite diagnósticos rápidos y confiables. Este avance representa una contribución significativa a la detección automatizada de enfermedades de plantas, proporcionando una herramienta accesible que mejora la productividad agrícola y promueve prácticas sostenibles en el cuidado de cultivos.