Para resolver el problema de un reconocimiento preciso de la recolección de té a través de robots recolectores de té, se propone en este artículo un método de detección de dispositivos basado en ShuffleNetv2-YOLOv5-Lite-E para té con un brote y dos hojas. Esto reemplaza la red de extracción de características original al eliminar la capa Focus y usar el algoritmo ShuffleNetv2, seguido de una poda de canal de YOLOv5 en la capa de cuello, logrando así el propósito de reducir el tamaño del modelo. Los resultados muestran que el tamaño del archivo de pesos generado mejorado es el 27% del modelo YOLOv5 original, y el valor de mAP de ShuffleNetv2-YOLOv5-Lite-E es del 97.43% y 94.52% en la pc y dispositivo de borde respectivamente, que son 1.32% y 1.75% más bajos en comparación con el modelo YOLOv5 original. Las velocidades de detección de ShuffleNetv2-YOLOv5-Lite-E, YOLOv5, YOLOv4 y YOLOv3 fueron de 8.6 fps, 2.7 fps, 3.2 fps y 3.4 fps respectivamente después de importar los modelos en un dispositivo de borde, y la velocidad de detección mejorada de YOLOv5 fue 3.2 veces más rápida que la del modelo YOLOv5 original. A través del método de detección, el tamaño del modelo YOLOv5 original se reduce de manera efectiva mientras se asegura la precisión de reconocimiento. La velocidad de detección también se mejora significativamente, lo que es beneficioso para la realización de una recolección inteligente y precisa para futuros jardines de té, sentando una base sólida para la realización de robots recolectores de té.