A inteligência artificial vêm sendo amplamente difundida e utilizada para auxiliar ou permitir a solução de certos problemas. uma área que recebe atenção especial é a de visão computacional, com avanços significativos a cada ano. entretanto, aplicações embarcadas, visando edge computing, iot, ou similares, que utilizem conceitos de deep learning, ainda são limitadas em virtude dos modelos exigirem elevado poder de processamento, alcançando resultados pouco expressivos em aplicações de tempo real. o trabalho toma como objetivo estudar a aplicação de redes neurais convolucionais em aplicações embarcadas, tendo como plataforma o dispositivo intel movidius neural compute stick. tomando como base o dataset plant village, composto por folhas de plantas saudáveis ou doentes, é realizada a análise das bibliografias pertinentes e as principais redes de deep learning são identificadas. a partir disso, o trabalho se inicia analisando os parâmetros pertinentes resultantes dessas redes, propõem a substituição de modelos de classificação por redes de detecção de características, apresenta um estudo de influência das camadas que compõem o modelo nos resultados de tempo de treinamento, tempo de inferência, consumo energético e acurácia, além de apresentar um método de inferência em dois estágios. os resultados mostram que a utilização de redes para detecção possibilitam uma significativa redução no tempo de inferência e consumo energético, frente as redes normalmente empregadas. já a inferência em dois estágios pode gerar ganhos que superam os 90%, dependendo da taxa de detecção positiva.