Este estudio se centra en mejorar la predicción del rendimiento de cultivos en entornos de fábricas de plantas mediante la captura precisa de imágenes del dosel de los cultivos y la eliminación de interferencias de fondo. Este método logra un reconocimiento altamente preciso del área de proyección del dosel de los cultivos (CCPA), con un coeficiente de determinación (R) de 0.98. Se derivó una resolución espacial de 0.078 mm/píxel al referenciar una regla de escala y procesar los recuentos de píxeles, eliminando los valores atípicos en los datos. El post-procesamiento de imágenes se centró en extraer el límite del dosel y calcular el área del dosel de los cultivos. Al incorporar datos de rendimiento de cultivos, se realizó un análisis comparativo de 28 modelos de predicción, evaluando métricas de rendimiento como MSE, RMSE, MAE, MAPE, R, velocidad de predicción, tiempo de entrenamiento y tamaño del modelo. Entre ellos, el modelo de Red Neuronal Ancha emergió como el más óptimo. Demostró una notable precisión predictiva con un R de 0.95, RMSE de 27.15 g y MAPE de 11.74%. Además, el modelo logró una alta velocidad de predicción de 60,234.9 observaciones por segundo, y su tamaño compacto de 7039 bytes lo hace adecuado para un despliegue eficiente en tiempo real en aplicaciones prácticas. Este modelo ofrece un apoyo sustancial para la gestión del crecimiento de cultivos, proporcionando una base sólida para refinar los procesos de cultivo y mejorar los rendimientos de los cultivos.