La lechuga hidropónica era propensa a problemas de plagas y enfermedades después del trasplante. La identificación manual del estado de crecimiento actual de cada lechuga hidropónica no solo consumía tiempo y era propensa a errores, sino que también no cumplía con los requisitos de un cultivo de lechuga de alta calidad y eficiencia. En respuesta a este problema, este artículo propuso un método llamado YOLO-EfficientNet para identificar el estado de crecimiento de la lechuga hidropónica. En primer lugar, se procesaron los datos de video de la lechuga hidropónica para obtener imágenes de fotogramas individuales. Se seleccionaron 2240 imágenes de estos fotogramas como el conjunto de datos de imágenes A. En segundo lugar, se entrenó el modelo de detección de objetos YOLO-v8n utilizando el conjunto de datos de imágenes A para detectar la posición de cada lechuga hidropónica en los datos de video. Después de seleccionar los objetivos en función de las cajas delimitadoras predichas, se obtuvieron 12,000 imágenes individuales de lechuga mediante recorte, que sirvieron como conjunto de datos de imágenes B. Finalmente, se entrenó el modelo de clasificación de objetos EfficientNet-v2s utilizando el conjunto de datos de imágenes B para identificar tres estados de crecimiento (Saludable, Enfermedades y Plagas) de la lechuga hidropónica. Los resultados mostraron que, después de entrenar el conjunto de datos de imágenes A utilizando el modelo YOLO-v8n, la precisión y el recall se mantuvieron consistentemente alrededor del 99%. Después de entrenar el conjunto de datos de imágenes B utilizando el modelo EfficientNet-v2s, se lograron excelentes puntuaciones de 95.78 para Val-acc, 94.68 para Test-acc, 96.02 para Recall, 96.32 para Precisión y 96.18 para F1-score. Así, el método propuesto en este artículo tenía potencial en la aplicación agrícola de identificar y clasificar el estado de crecimiento en la lechuga hidropónica.