Los hongos silvestres son populares por su sabor y valor nutricional; sin embargo, los no expertos a menudo tienen dificultades para distinguir entre especies tóxicas y no tóxicas al recolectar en la naturaleza, lo que potencialmente puede llevar a incidentes de envenenamiento. Para abordar este problema, este estudio propone un método compacto de red neuronal bilineal basado en Transformer y fusión de características multiescala. El método utiliza una estructura de doble flujo que integra múltiples extractores de características, mejorando la exhaustividad de la captura de información de imagen. Además, se incorporan módulos de atención de cuello de botella y atención multiescala eficiente para capturar de manera efectiva características multiescala manteniendo bajos costos computacionales. Al emplear un módulo de agrupación bilineal compacto, el modelo logra interacciones de características de alto orden, reduciendo el número de parámetros sin comprometer el rendimiento. Los resultados experimentales demuestran que el método propuesto alcanza una precisión del 98.03%, superando a los métodos comparativos existentes. Esto demuestra el rendimiento superior de reconocimiento del modelo, haciéndolo más confiable en la distinción de hongos silvestres al capturar información clave desde múltiples dimensiones, lo que le permite manejar mejor escenarios complejos. Además, el desarrollo de herramientas de identificación de uso público basadas en este método podría ayudar a reducir el riesgo de incidentes de envenenamiento. Basándose en estos hallazgos, el estudio sugiere fortalecer la investigación y desarrollo de tecnologías agrícolas digitales, promover la aplicación de tecnologías de reconocimiento inteligente en la agricultura y proporcionar soporte técnico para la producción agrícola y la gestión de recursos a través de plataformas digitales. Esto proporcionaría una base teórica para la innovación de la agricultura digital y promovería su desarrollo sostenible.