Es una tarea urgente mejorar la aplicabilidad del modelo de clasificación de enfermedades del pepino en dispositivos inteligentes en el borde del invernadero. El consumo de energía de los modelos de diagnóstico de enfermedades diseñados basados en métodos de aprendizaje profundo es un factor clave que afecta su aplicabilidad. Basándose en esta motivación, en este estudio se utilizaron dos métodos para reducir la cantidad de cálculo del modelo y cambiar el método de cálculo de extracción de características con el fin de reducir el consumo de energía de cálculo del modelo, prolongando así el tiempo de trabajo de los dispositivos en el borde del invernadero desplegados con modelos de enfermedades.