De forma a dar resposta ao contínuo aumento da população global, a produtividade das culturas deve ser significativamente aumentada para satisfazer as necessidades alimentares, garantindo uma fonte de alimento confiável e, ao mesmo tempo, apoiar o desenvolvimento económico. No entanto, devido às alterações climáticas e à variabilidade do tempo, desafios antigos relacionados com doenças e infestações de pragas nas vinhas estão a aumentar, exigindo estratégias de deteção e gestão mais eficientes. Assim, é fundamental assegurar que os níveis de produtividade projetados sejam alcançados e que as ameaças ao setor agrícola sejam mitigadas prontamente, de modo a evitar perdas significativas nas colheitas. Esta dissertação propõe uma solução portátil e fácil de utilizar para diagnosticar, no local, doenças e pragas nas folhas de videira, com apresentação imediata dos resultados. O sistema desenvolvido utiliza uma plataforma de computação de borda, Raspberry Pi 5, uma câmara de alta resolução, um modelo pré-treinado YOLOv8s e um touchscreen para visualização de dados. O modelo YOLOv8s foi pré-treinado com uma base de dados personalizada com imagens de seis tipos diferentes de doenças e pragas de videira, alcançando um valor mAP@50 de 0,92. O sistema foi testado e validado numa vinha, onde a sua viabilidade e robustez para detetar no terreno foram confirmadas. Considerando a variabilidade de fatores ambientais presentes no terreno, que afetou, por vezes, a análise do modelo, o mesmo obteve uma notável pontuação média de precisão de 0,83. Além disso, o sistema demonstrou uma alta durabilidade, comprovando a sua aplicabilidade para utilizações contínuas e prolongadas.