El desenfoque de imagen es un factor importante que degrada la detección de objetos en aplicaciones agrícolas, particularmente en huertos donde la oclusión de cultivos, el movimiento de las hojas y el temblor de la cámara reducen frecuentemente la calidad de la imagen. Este estudio propuso una red generativa adversarial ligera, AGG-DeblurGAN, para abordar el desenfoque de movimiento no uniforme en imágenes de árboles cítricos. El modelo integra la estructura base GhostNet, módulos Ghost mejorados con atención y un Módulo de Normalización de Instancia a Mitad con Puerta. Un mecanismo de detección de desenfoque permitió el enrutamiento dinámico, reduciendo el cálculo en imágenes nítidas. Los experimentos en un conjunto de datos de cítricos mostraron que AGG-DeblurGAN mantuvo la calidad de restauración mientras mejoraba la eficiencia. Para la detección de objetos, las imágenes de cítricos restauradas lograron una mejora del 86.4% en [email protected]:0.95, una ganancia del 76.9% en recuperación y un aumento del 40.1% en la puntuación F1 en comparación con las imágenes desenfocadas, mientras que la tasa de falsos negativos disminuyó en un 63.9%. Estos resultados indican que AGG-DeblurGAN puede servir como referencia para mejorar el preprocesamiento de imágenes y el rendimiento de detección en sistemas de visión agrícola.