En el ámbito del rápido avance de la tecnología agrícola inteligente, la integración de varios sensores y dispositivos de Internet de las Cosas (IoT) se ha vuelto prevalente en el sector agrícola. Dentro de este contexto, la identificación precisa de plagas y enfermedades utilizando sistemas robóticos no tripulados asume un papel crucial en garantizar la seguridad alimentaria, avanzar en la producción agrícola y mantener las reservas de alimentos. Sin embargo, los modelos de reconocimiento existentes encuentran limitaciones inherentes como la precisión subóptima y los esfuerzos computacionales excesivos al tratar con plagas y enfermedades similares en escenarios agrícolas reales. En consecuencia, esta investigación presenta la red neuronal de agregación de capas cruzadas ligera (LCA-Net). Para abordar el desafiante problema de la identificación detallada de plagas en entornos agrícolas, nuestro enfoque mejora inicialmente la red de gran escala de alto rendimiento a través de una adaptación ligera, incorporando simultáneamente un mecanismo de atención al espacio de canales. Esta mejora culmina en el desarrollo de un módulo de agregación de características entre capas (CFA), meticulosamente diseñado para un despliegue móvil sin problemas manteniendo la integridad del rendimiento. Además, ideamos el módulo Cut-Max, que optimiza la precisión del reconocimiento de plagas y enfermedades de cultivos mediante la poda de la región de respuesta máxima. Experimentación exhaustiva en conjuntos de datos completos de plagas y enfermedades corroboró el excepcional rendimiento detallado de LCA-Net, logrando una impresionante tasa de precisión del 83.8%. Experimentos adicionales de ablación validaron el enfoque propuesto, mostrando un equilibrio armonioso entre el rendimiento y los parámetros del modelo, haciéndolo adecuado para aplicaciones prácticas en la supervisión agrícola inteligente.