Los troncos de Lentinula edodes son susceptibles a la contaminación por diversas bacterias durante el proceso de cultivo, y la identificación manual de troncos contaminados es difícil, tardía e inexacta. Con el objetivo de resolver este problema, este documento propone un método para la identificación de troncos contaminados de Lentinula edodes basado en el modelo de aprendizaje profundo Ghost-YOLOv4. En primer lugar, se construyó un conjunto de datos de contaminación por diversas bacterias en troncos de Lentinula edodes. En segundo lugar, ante los problemas de que los parámetros de la red YOLOv4 son demasiado grandes y que las velocidades de detección de videos de troncos de Lentinula edodes son lentas, se reemplazó la red de extracción de características de la columna vertebral con una red ligera, GhostNet, y se completaron los módulos de extracción de características de mejora de YOLOv4 PANet y Yolo Head. La modificación de la red redujo el número de parámetros de la red y mejoró la velocidad de detección de la red. Finalmente, la red de extracción de características introdujo el modelo de pre-entrenamiento de aprendizaje por migración, que redujo la presión computacional y los problemas de sobreajuste del modelo y mejoró aún más el rendimiento de la red Ghost-YOLOv4. No solo el Ghost-YOLOv4 construido aseguró la precisión de la identificación y detección de la contaminación por diversas bacterias en troncos de Lentinula edodes, sino que también obtuvo mejores resultados en velocidad de detección y rendimiento en tiempo real, y proporciona una solución efectiva para la implementación ligera de un modelo de detección de objetivos en equipos integrados en invernaderos.