Evaluar la calidad de los productos agrícolas es un paso esencial para reducir el desperdicio de alimentos. Los problemas de modelos excesivamente complejos, difíciles de implementar en dispositivos móviles y detección lenta en tiempo real en la aplicación del aprendizaje profundo en la evaluación de la calidad de los productos agrícolas requieren soluciones. Este documento propone un método ligero basado en ShuffleNetV2 para identificar enfermedades fenotípicas en semillas de maíz y realizar experimentos en un conjunto de datos de semillas de maíz. En primer lugar, se utilizan Redes Adversarias Consistentes en Ciclo para resolver el problema de conjuntos de datos desequilibrados, mientras se agrega el módulo de Atención de Canal Eficiente para mejorar el rendimiento de la red. Después de esto, se utiliza una convolución de profundidad para aumentar el campo receptivo efectivo de la red. Las repeticiones de unidades básicas en ShuffleNetV2 también se reducen para aligerar la estructura de la red. Finalmente, los resultados experimentales indican que el número de parámetros del modelo es de 0.913 M, el volumen computacional es de 44.75 MFLOPs y 88.5 MMAdd, y la precisión de reconocimiento es del 96.28%. La velocidad de inferencia de aproximadamente 9.71 ms por cada imagen fue probada en una computadora portátil portátil con solo una CPU, lo que proporciona una referencia para la implementación móvil.