La aplicación de la tecnología de aprendizaje profundo (DL) a la identificación de los procesos de crecimiento de los cultivos se convertirá en la tendencia de la agricultura inteligente. Sin embargo, el uso de DL para identificar las etapas de crecimiento del trigo en dispositivos móviles requiere un alto consumo de energía de la batería, lo que reduce significativamente el tiempo de funcionamiento del dispositivo. Sin embargo, implementar un marco de DL en un servidor remoto puede resultar en un servicio de baja calidad y retrasos en la red inalámbrica. Por lo tanto, el método de DL debe ser adecuado para detectar las etapas de crecimiento del trigo e implementable en dispositivos móviles. Se propone un modelo de detección de etapas de crecimiento del trigo basado en DL ligero, con baja complejidad computacional y un retraso en el tiempo de computación; apuntando a las deficiencias de alto consumo de energía y un largo tiempo de computación, se propone un modelo de reconocimiento de periodos de crecimiento del trigo y un algoritmo de migración dinámica basado en aprendizaje profundo por refuerzo. Los resultados experimentales muestran que el algoritmo de migración dinámica propuesto tiene un 128.4% menos de consumo de energía y un 121.2% más de eficiencia que la implementación local a una tasa de transmisión de datos de red inalámbrica de 0-8 MB/s.