La lechuga es una de las hortalizas de hoja más ampliamente plantadas en las fábricas de plantas. La falta de elementos traza en las soluciones de nutrientes ha causado enormes pérdidas a la industria lechera. Los síntomas no evidentes de deficiencia de elementos traza, el tamaño inconsistente de las áreas características y la dificultad de extracción en diferentes etapas de crecimiento son tres problemas clave que afectan la identificación de los síntomas de deficiencia de lechuga. En este estudio, se plantó un lote de lechuga crema (lactuca sativa) en la fábrica de plantas y se controlaron artificialmente sus elementos nutrientes. Recopilamos imágenes de la lechuga en diferentes etapas de crecimiento, incluyendo todos los elementos nutrientes y tres grupos con deficiencia de nutrientes (deficiencia de potasio, deficiencia de calcio y deficiencia de magnesio), y realizamos un análisis de extracción de características en imágenes de diferentes defectos. Utilizamos algoritmos tradicionales (vecino más cercano, máquina de vectores de soporte, bosque aleatorio) y modelos de aprendizaje profundo ligeros (ShuffleNet, SqueezeNet y MobileNetV2) para la clasificación, y comparamos diferentes métodos de extracción de características (características de textura, características de color, características de transformación de características invariantes a la escala). El experimento muestra que, bajo el método de extracción de características óptimo (color), los resultados de reconocimiento del bosque aleatorio son los mejores, con una tasa de precisión del 97,6%, una tasa de precisión del 97,9%, una tasa de recuperación del 97,4% y un puntaje F1 del 97,6%. Las precisiones de los tres modelos de aprendizaje profundo superan el 99,5%, entre los cuales ShuffleNet es el mejor, con la precisión, la precisión, la recuperación y el puntaje F1 por encima del 99,8%. También utiliza menos operaciones de punto flotante por segundo y menos tiempo. El método propuesto puede identificar rápidamente los elementos traza que faltan en la lechuga, y puede proporcionar soporte técnico para el reconocimiento visual del robot de patrulla de enfermedades en la fábrica de plantas.