La detección inteligente es vital para lograr la operación de recolección inteligente del lirio de día, pero los complejos entornos de campo presentan desafíos debido a la oclusión de ramas, plantas superpuestas y iluminación desigual. Para abordar estos desafíos, este estudio seleccionó un modelo de detección inteligente basado en YOLOv5s para el lirio de día, se optimizaron los parámetros de profundidad y ancho de la red YOLOv5s, utilizando redes ligeras como Ghost, Transformer y MobileNetv3 para optimizar la red base CSPDarknet de YOLOv5s, mejorando continuamente el rendimiento del modelo. Los resultados experimentales muestran que el modelo original YOLOv5s aumentó la precisión media promedio (mAP) en un 49%, 44% y 24.9% en comparación con los modelos YOLOv4, SSD y Faster R-CNN, optimizando los parámetros de profundidad y ancho de la red aumentó el mAP del modelo original YOLOv5s en un 7.7%, y el modelo YOLOv5s con Transformer como red base aumentó el mAP en un 0.2% y la velocidad de inferencia en un 69% en comparación con el modelo después de la optimización de parámetros de red. El modelo YOLOv5s optimizado proporcionó una precisión, tasa de recuperación, mAP y velocidad de inferencia del 81.4%, 74.4%, 78.1% y 93 fotogramas por segundo (FPS), lo que puede lograr una detección precisa y rápida del lirio de día en entornos de campo complejos. Los resultados de la investigación pueden proporcionar datos y referencias experimentales para el desarrollo de equipos de recolección inteligente para el lirio de día.