El monitoreo preciso y oportuno de las plagas es una forma efectiva de minimizar los efectos negativos de las plagas en la agricultura. Dado que los métodos basados en aprendizaje profundo han logrado un buen rendimiento en la detección de objetos, se han aplicado con éxito para la detección y monitoreo de plagas. Sin embargo, los métodos actuales de detección de plagas no logran equilibrar la relación entre el costo computacional y la precisión del modelo. Por lo tanto, este artículo propone un método de faster R-CNN ligero y consciente de la localidad (LLA-RCNN) para una detección efectiva de plagas y monitoreo en tiempo real. El modelo propuesto utiliza MobileNetV3 para reemplazar la columna vertebral original, reducir la complejidad computacional y comprimir el tamaño del modelo para acelerar la detección de plagas. Los bloques de atención de coordenadas (CA) se utilizan para mejorar la información de localidad y resaltar los objetos bajo fondos complejos. Además, se utilizan la función de pérdida de intersección generalizada sobre unión (GIoU) y la tecnología de alineación de región de interés (RoI Align) para mejorar la precisión de la detección de plagas. Los resultados experimentales en diferentes tipos de conjuntos de datos validan que el modelo propuesto no solo reduce significativamente el número de parámetros y operaciones de punto flotante (FLOPs), sino que también logra un mejor rendimiento que algunos métodos populares de detección de plagas. Esto demuestra fuertes capacidades de generalización y proporciona un método factible para la detección de plagas en dispositivos con recursos limitados.