Para lograr la detección rápida y precisa de frutas de naranja ombligo de Gannan con diferentes niveles de madurez en un entorno natural bajo escenarios de todo clima y luego realizar la cosecha automatizada de naranjas ombligo de Gannan, este documento propone un modelo de detección de objetos YOLOv5-NMM (YOLOv5 con Modelo de Medición de Naranja Ombligo) basado en la mejora en el modelo original YOLOv5. Basándose en los cambios en las características fenotípicas de las naranjas ombligo y en la norma nacional china GB/T 21488-2008, se prueba la madurez de las naranjas ombligo de Gannan. Y aborda y mejora los problemas de oclusión, distribución densa, tamaño de objetivo pequeño, días lluviosos y cambios de luz en la detección de las frutas de naranja ombligo. En primer lugar, se construye una nueva cabeza de detección de mapas de características de 160 x 160 en la capa de detección para mejorar la capa de detección de objetivos a múltiples escalas de YOLOv5 y aumentar la precisión de detección de los diferentes niveles de madurez de las naranjas ombligo de Gannan de tamaños pequeños. En segundo lugar, se incorpora un módulo de atención de bloque convolucional en su capa de base para capturar las correlaciones entre las características en diferentes dimensiones para mejorar la capacidad perceptiva del modelo. Luego, se integra la estructura de red piramidal de características bidireccionales ponderadas en la capa de Cuello para mejorar la eficiencia de fusión de la red en los mapas de características y reducir la cantidad de cálculos. Por último, para reducir la pérdida del objetivo de la Naranja Ombligo de Gannan debido a la oclusión y superposición, se utiliza el marco de detección para eliminar la redundancia utilizando el algoritmo Soft-NMS para eliminar marcos candidatos redundantes. Los resultados muestran que la tasa de precisión, tasa de recuperación y precisión promedio del modelo mejorado YOLOv5-NMM son del 93.2%, 89.6% y 94.2%, respectivamente, y el número de parámetros es solo de 7.2 M. En comparación con los modelos de red principales, como Faster R-CNN, YOLOv3, el modelo original de YOLOv5 y YOLOv7-tiny, es superior en términos de tasa de precisión, tasa de recuperación y precisión promedio, y también se desempeña bien en términos de tasa de detección y ocupación de memoria. Este estudio muestra que el modelo YOLOv5-NMM puede identificar y detectar de manera efectiva la madurez de las naranjas ombligo de Gannan en entornos naturales, lo que brinda una exploración efectiva de la cosecha automatizada de las frutas de naranja ombligo de Gannan.