La tecnología de reconocimiento de visión por computadora, debido a su naturaleza no invasiva y conveniente, puede evitar eficazmente daños a las frágiles plantas silvestres durante el reconocimiento. Sin embargo, equilibrar la complejidad del modelo, la precisión del reconocimiento y la dificultad de procesamiento de datos en hardware con recursos limitados es un problema crítico que necesita ser abordado. Para enfrentar estos desafíos, proponemos una arquitectura mejorada y ligera de Faster R-CNN llamada ULS-FRCN. Esta arquitectura incluye tres mejoras clave: un módulo Light Bottleneck basado en convolución separable por profundidad para reducir la complejidad del modelo; un mecanismo de atención espacial ligero Split SAM para mejorar la precisión del reconocimiento sin aumentar la complejidad del modelo; y un preprocesamiento de enmascaramiento no nítido para mejorar el rendimiento del modelo mientras se reduce la dificultad de procesamiento de datos y los costos de entrenamiento. Validamos la efectividad de ULS-FRCN utilizando cinco plantas silvestres representativas del conjunto de datos PlantCLEF 2015. Los experimentos de ablación y las pruebas de generalización en múltiples conjuntos de datos muestran que ULS-FRCN supera significativamente al modelo base en términos de mAP, puntuación media F1 y recuperación media, con mejoras del 12.77%, 0.01 y 9.07%, respectivamente. En comparación con el Faster R-CNN original, nuestro diseño ligero y mecanismo de atención reducen los parámetros de entrenamiento, mejoran la velocidad de inferencia y aumentan la eficiencia computacional. Este enfoque es adecuado para su implementación en dispositivos forestales con recursos limitados, permitiendo una identificación y gestión eficiente de plantas sin necesidad de servidores de alto rendimiento.