В статье предложен метод повышения точности диагностирования недостатка кальция в растениях земляники садовой – применение алгоритмов машинного обучения, таких как сверточные нейронные сети (CNN), что позволяет обучить модель на наборе данных для качественного обнаружения признаков дефицита кальция на листьях. Собран набор данных (dataset) изображений здоровых листьев и с признаками недостатка кальция, использован способ искусственного увеличения объема обучающей выборки (image augmentation) путем горизонтального и вертикального отражения объектов на изображениях, поворота на заданный угол и случайного добавления «шума». Для обучения сверточной нейронной сети предложен алгоритм получения RGB-изображений с помощью роботизированной платформы. В качестве средства обнаружения признаков дефицита кальция на листьях земляники на изображениях использована современная модель нейронной сети YOLOv7. Определены гиперпараметры алгоритма машинного обучения модели YOLOv7 для распознавания областей поражения листьев земляники садовой, вызванных недостатком кальция. Для обучения модели YOLOv7 использован метод трансферного обучения (Transfer learning). Для оценки качества работы алгоритмов распознавания объектов использованы метрики mAP (mean average precision) и F1-score (F-мера), проведен расчет средней абсолютной ошибки (Mean Absolute Percentage Error, MAPE) рассматриваемой модели нейронной сети YOLOv7. Анализ полученных результатов показал, что модель YOLOv7 распознала класс «Calciuemdeficiency» с показателем MAPE, равным 7,52 %. Расчетное значение метрики бинарной классификации mAP составило 0,454, метрики F1-score – 0,53. Результаты исследований показали, что своевременный мониторинг состояния земляники садовой на промышленной плантации, проведенный с использованием колесной роботизированной платформы с применением сверточной нейронной сети YOLOv7 для обработки полученных данных, позволит на ранних этапах развития патологии с высокой точностью до 94,43 % определить дефицит кальция в листьях растений земляники садовой.