La identificación del estrés lumínico es crucial para el control de la luz en las fábricas de plantas. La clasificación de iluminación basada en imágenes de verduras de hoja ha mostrado un rendimiento notable con alta conveniencia y economía. La Red Neuronal Convolucional (CNN) ha sido ampliamente utilizada para el análisis de imágenes de cultivos debido a su arquitectura, alta precisión y eficiencia. Entre ellas, las grandes diferencias intraclase y las pequeñas diferencias interclase son factores importantes que afectan la identificación de cultivos y un desafío crítico para las tareas de clasificación detallada basadas en CNN. Para abordar este problema, tomamos la Lechuga (L.) ampliamente cultivada en las fábricas de plantas como objeto de investigación y construimos un conjunto de imágenes de hojas que contiene cuatro niveles de estrés. Luego se construye un modelo de clasificación de estrés lumínico combinando un CNN pre-entrenado clásico y la función de pérdida Triplet, que se llama Tr-CNN. El modelo utiliza la función de pérdida Triplet para restringir la distancia de las imágenes en el espacio de características, lo que puede reducir la distancia euclidiana de las muestras de la misma clase y aumentar la distancia euclidiana heterogénea. Múltiples conjuntos de resultados experimentales indican que el modelo propuesto en este documento (Tr-CNN) tiene ventajas evidentes en el conjunto de datos de clasificación de estrés lumínico y en el conjunto de datos generalizado.