El ginseng es una planta medicinal importante ampliamente utilizada en la medicina tradicional china. Los métodos tradicionales para evaluar la calidad visual del ginseng tienen limitaciones. Este estudio presenta un nuevo método para clasificar la calidad de apariencia del ginseng utilizando un modelo mejorado DenseNet121. Mejoramos la capacidad de la red para reconocer diversas características de canal mediante la integración de un mecanismo de Atención Coordinada (CA). También utilizamos convolución agrupada en lugar de convolución estándar en capas densas para disminuir el número de parámetros del modelo y mejorar la eficiencia. Además, sustituimos la función de activación ReLU (Unidad Lineal Rectificada) por la función de activación ELU (Unidad Lineal Exponencial), lo que reduce el problema de la muerte de neuronas relacionado con ReLU y aumenta el número de neuronas activas. Comparamos varios modelos de red, incluidos DenseNet121, ResNet50, ResNet101, GoogleNet e InceptionV3, para evaluar su rendimiento frente a nuestro método. Los resultados mostraron que el modelo mejorado DenseNet121 alcanzó una precisión del 95.5% en el conjunto de pruebas, demostrando alta fiabilidad. Este hallazgo proporciona un apoyo valioso para el campo de la clasificación del ginseng.