Reconocer tomates maduros es un aspecto crucial de la recolección de tomates. Para asegurar la precisión de los resultados de inspección, se ha explorado la versión 9 de You Only Look Once (YOLOv9) como un algoritmo de detección de frutas. Para abordar el desafío de identificar tomates y la baja precisión de la detección de objetos pequeños en entornos complejos, proponemos un algoritmo de reconocimiento de tomates maduros basado en un modelo mejorado YOLOv9-C. Después de recopilar datos de tomates, utilizamos Mosaic para la augmentación de datos, lo que mejoró la robustez del modelo y enriqueció los datos experimentales. Se realizaron mejoras en los módulos de extracción de características y submuestreo, integrando los módulos HGBlock y SPD-ADown en el modelo YOLOv9. Estas medidas resultaron en un alto rendimiento de detección con tasas de precisión y recuperación del 97.2% y 92.3% en comparaciones experimentales horizontales y verticales, respectivamente. El modelo integrado mejoró la precisión y la recuperación en un 1.3% y un 1.1%, respectivamente, y también redujo el tiempo de inferencia en 1 ms en comparación con el modelo original. El tiempo de inferencia de este modelo fue de 14.7 ms, lo que es 16 ms mejor que el modelo RetinaNet. Este modelo fue probado con precisión con un mAP@0.5 (%) de hasta el 98%, que es un 9.6% más alto que RetinaNet. Su mayor velocidad y precisión lo hacen más adecuado para aplicaciones prácticas. En general, este modelo proporciona una técnica confiable para reconocer tomates maduros durante el proceso de recolección.