شناسایی مراحل رشد میوه پیش از برداشت عامل مهمی در بهبود کمیت و کیفیت میوه است. داشتن چنین اطلاعاتی به باغ‌دار کمک می‌کند که تیمار مناسب هر مرحله از رشد را اعمال نماید و باتوجه به شرایط متغیر آب‌و‌هوایی، به درک مناسبی از زمان برداشت میوه دست پیدا کند. با این هدف، در پژوهش حاضر از تصاویر رنگی برای شناسایی هفته‌های منتهی به زمان برداشت میوه سیب گلدن پاییزه استفاده شد. با استفاده از فناوری یادگیری عمیق و شبکه‌های عصبی پیچشی، مدل EfficientNetB1 برای طبقه‌بندی عکس‌های گرفته شده در هفته‌های مختلف رشدی میوه سیب استفاده‌شد. داده‌ها به‌صورت تصادفی به سه دسته آموزش (60%)، اعتبارسنجی (20%) و آزمون (20%) تقسیم شدند. همچنین، دو فرایند پیش‌پردازش یعنی نرمال‌سازی داده‌ها و نیز داده‌افزایی برای حصول نتایج بهتر منظور گردید و در مرحله توسعه مدل از بهینه ساز Nadam و تابع هزینه categorical_crossentropy استفاده شد. نتایج نشان‌داد که مدل توسعه داده‌شده قابلیت خوبی در طبقه‌بندی تصاویر ورودی خواهدداشت. مقدار ضریب همبستگی (R) برای داده‌های آموزش، اعتبارسنجی و آزمون به ترتیب 86/0، 88/0 و 87/0 به‌دست آمد. همچنین، توانایی مدل در طبقه‌بندی با استفاده از پارامترهای precision، recall و f1-score برای هر طبقه ارائه گردید که برطبق آن برخی از طبقه‌ها با دقت 100% از سایر طبقه‌ها متمایز شدند. با توجه به قابلیت‌های یادگیری عمیق در طبقه‌بندی عکس‌ها در شرایط کاملاً طبیعی، این قبیل مدل‌ها می‌توانند در توسعه ربات‌های برداشت و یا سامانه‌های عکس برداری هوایی و غیره استفاده شوند و اهداف مختلفی در کشاورزی دقیق، و به طور خاص، باغبانی دقیق را برآورده سازند.