Para abordar los desafíos de las detecciones perdidas y falsas en la detección de frutas cítricas causadas por factores ambientales como la oclusión de hojas, la superposición de frutas y variaciones en la luz natural en huertos montañosos y montañosos, este artículo propone un modelo de detección de cítricos basado en un algoritmo YOLOv5 mejorado. Al introducir convoluciones de campo receptivo con pesos completos en 3D (RFCF), el modelo supera el problema de compartir parámetros en operaciones de convolución, mejorando la precisión de la detección. Se incorpora un módulo de atención lineal enfocada (FLA) para mejorar la potencia expresiva del mecanismo de autoatención manteniendo la eficiencia computacional. Además, se volvieron a agrupar las cajas de anclaje en función de las características de forma de los objetos objetivo, y se mejoró la función de pérdida de la caja límite a Foal-EIoU, mejorando la capacidad de localización del modelo. Los experimentos realizados en un conjunto de datos de frutas cítricas etiquetado con LabelImg, recopilado en áreas montañosas, mostraron una precisión de detección del 95.83% y una precisión promedio (mAP) del 79.68%. Esta investigación no solo mejora significativamente el rendimiento de detección en entornos complejos, sino que también brinda un apoyo de datos crucial para tareas de precisión como la localización de huertos y la recolección inteligente, demostrando un fuerte potencial para aplicaciones prácticas en la agricultura inteligente.