En la agricultura moderna y la protección ambiental, la identificación efectiva de enfermedades y plagas de cultivos es muy importante para los sistemas de gestión inteligente y las aplicaciones de computación móvil. Sin embargo, la identificación existente se basa principalmente en el aprendizaje automático y las redes de aprendizaje profundo para llevar a cabo una clasificación de granularidad gruesa de parámetros a gran escala y un ajuste de estructura compleja, lo que carece de la capacidad de identificar características de granularidad fina y correlaciones inherentes para detectar plagas. Para resolver los problemas existentes, se propone un método de identificación de plagas de granularidad fina basado en una red neuronal convolucional de atención de pirámide gráfica (GPA-Net) para promover la eficiencia de la producción agrícola. En primer lugar, se construye la red CSP para obtener mapas de características ricas. Luego, se construye un módulo de atención trilineal entre etapas para extraer las abundantes características de granularidad fina de las porciones de discriminación de objetos de plagas tanto como sea posible. Además, se diseña una estructura de pirámide multinivel para aprender características espaciales multinivel y relaciones gráficas para mejorar la capacidad de reconocer plagas y enfermedades. Finalmente, los experimentos comparativos realizados en los conjuntos de datos de plagas de hojas de yuca, AI Challenger e IP102 demuestran que el GPA-Net propuesto logra un mejor rendimiento que los modelos existentes, con una precisión de hasta 99.0%, 97.0% y 56.9%, respectivamente, lo cual es más propicio para distinguir plagas y enfermedades de cultivos en aplicaciones para la agricultura inteligente práctica y la protección ambiental.