En este documento, proponemos un método de detección de troncos de árboles y obstáculos en un entorno de huerto de manzanas semiestructurado basado en YOLOv5s mejorado, con el objetivo de mejorar el rendimiento de detección en tiempo real. La mejora incluye el uso del algoritmo de agrupamiento K-means para calcular el marco de anclaje y agregar el módulo Squeeze-and-Excitation y la operación de poda del 10% para garantizar tanto la precisión de detección como la velocidad. Se recopilan imágenes de huertos de manzanas en diferentes estaciones y bajo diferentes condiciones de luz para simular mejor el entorno operativo real. Se utiliza la tecnología de Mapa de Activación de Clase Ponderada por Gradiente para visualizar el rendimiento de la red YOLOv5s con y sin mejora para aumentar la interpretabilidad de la red mejorada en la precisión de detección. El tronco de árbol detectado se puede utilizar para calcular la ruta de viaje de una plataforma portadora de huerto, donde las coordenadas del centroide del anclaje de tronco identificado se ajustan mediante el método de mínimos cuadrados para obtener el punto final de la próxima ruta de viaje. Los valores de precisión media promedio del modelo propuesto en primavera, verano, otoño e invierno fueron del 95.61%, 98.37%, 96.53% y 89.61%, respectivamente. El tamaño del modelo mejorado se reduce en 13.6 MB, y la precisión y la precisión promedio en el conjunto de pruebas aumentan en un 5.60% y 1.30%, respectivamente. El tiempo de detección promedio es de 33 ms, lo que cumple con los requisitos de detección en tiempo real de una plataforma portadora de huerto.