Como uno de los cultivos de frutas económicamente más valiosos del mundo, los cítricos tienen su calidad y productividad estrechamente ligadas al grado de madurez de la fruta. Sin embargo, detectar con precisión y eficiencia la madurez de los cítricos en entornos de huertos complejos para la cosecha robótica selectiva sigue siendo un desafío. Para abordar esto, construimos un conjunto de datos de detección de madurez de cítricos en condiciones de huerto complejas, propusimos un algoritmo ligero basado en prioridades de saliencia visual y el modelo RT-DETR, y lo llamamos LightSal-RTDETR. Para reducir la carga computacional, diseñamos el módulo E-CSPPC, que combina eficientemente redes parciales entre etapas con convoluciones parciales y con compuertas, combinado con atención grupal en cascada (CGA) y bloque móvil residual invertido (iRMB), lo que minimiza la complejidad del modelo y la demanda computacional y fortalece simultáneamente la capacidad del modelo para la representación de características. Además, se empleó la función de pérdida Inner-SIoU para la regresión de cuadros delimitadores, mientras se propuso un método de inicialización de pesos basado en mapas de saliencia visual. Los experimentos en nuestro conjunto de datos muestran que LightSal-RTDETR logra un mAP@50 del 81%, mejorando en un 1.9% sobre el modelo original al tiempo que reduce los parámetros en un 28.1% y el costo computacional en un 26.5%. Por lo tanto, LightSal-RTDETR resuelve eficazmente el problema de detección de madurez de cítricos en escenas de huertos con alta complejidad, ofreciendo una solución eficiente para aplicaciones de agricultura inteligente.