Este estudio aborda la clasificación de defectos en manzanas, la cual es crucial para mitigar pérdidas económicas y optimizar la cadena de suministro de alimentos. Se propone un enfoque innovador que integra imágenes del espectro visible y del infrarrojo cercano (NIR) para mejorar la precisión y eficiencia en la detección, a diferencia de investigaciones previas que se enfocaban en un solo espectro. La metodología involucra el uso de redes neuronales convolucionales feedforward y siamesas para procesar imágenes RGB-NIR capturadas en paralelo, siguiendo los pasos de adquisición, preprocesamiento, entrenamiento del modelo clasificador y evaluación del rendimiento. Los resultados demostraron que la detección de defectos utilizando el espectro NIR reveló detalles no visibles en el espectro visible e incluso que su uso fue ligeramente superior. El modelo seleccionado alcanzó una precisión del 98.80% en validación. En conclusión, el estudio destacó el potencial de mejorar la detección al capturar imágenes con rangos más amplios de filtros NIR, permitiendo una mejor segmentación para el entrenamiento de redes siamesas y aumentar la capacidad de identificar y clasificar defectos en manzanas. Este novedoso enfoque de integrar múltiples espectros en la clasificación de defectos agrícolas muestra prometedoras aplicaciones en la mejora de procesos de selección y clasificación. Palabras Clave: Espectro cercano al infrarrojo (NIR), Aprendizaje profundo, Procesamiento de imágenes, Clasificación de defectos, Redes siamesas.