La detección de cierre de bucle juega un papel importante en la construcción de mapas confiables para equipos de maquinaria agrícola inteligente. Con la combinación de redes neuronales convolucionales (CNN), su precisión y rendimiento en tiempo real son mejores que aquellos basados en características manuales tradicionales. Sin embargo, debido al uso de dispositivos integrados pequeños en maquinaria agrícola y la necesidad de manejar múltiples tareas simultáneamente, lograr velocidades de respuesta óptimas se vuelve desafiante, especialmente al operar en redes grandes. Esto enfatiza la necesidad de estudiar a fondo el tipo de algoritmo de detección de cierre de bucle de CNN liviano más adecuado para maquinaria agrícola inteligente. Este artículo compara una variedad de detección de cierre de bucle basada en características de CNN livianas. Específicamente, demostramos que GhostNet con reutilización de características puede extraer características de imagen con información semántica de alta dimensión e información geométrica de baja dimensión, lo que puede mejorar significativamente la precisión y el rendimiento en tiempo real de la detección de cierre de bucle. Para mejorar aún más la velocidad de detección, implementamos algoritmos de Local Sensitive Hashing (LSH) de Multi-Probe Random Hyperplane. Evaluamos nuestro enfoque utilizando tanto un conjunto de datos público como un conjunto de datos de invernadero propietario, empleando un método de procesamiento de datos incremental. Los resultados demuestran que GhostNet y el algoritmo Linear Scanning Multi-Probe LSH se sincronizan para cumplir con los requisitos de precisión y tiempo real de la detección de bucle cerrado agrícola.