La detección de la madurez de las fresas desempeña un papel esencial en la estimación moderna del rendimiento de las fresas y en la recolección y clasificación asistida por robots. Debido al tamaño pequeño y al entorno de crecimiento complejo de las fresas, todavía existen problemas con la precisión de los sistemas de reconocimiento existentes y las clasificaciones de madurez. Este artículo propone un algoritmo de reconocimiento de madurez de fresas basado en un modelo YOLOv5s mejorado llamado YOLOv5s-BiCE. Este modelo de algoritmo es un reemplazo del algoritmo de aumento con una estructura de módulo CARAFE. Es una mejora con respecto al modelo anterior en términos de su procesamiento consciente del contenido; también amplía el campo de visión y mantiene un alto nivel de eficiencia, lo que resulta en capacidades mejoradas de detección de objetos. Este artículo también introduce un mecanismo de doble atención llamado Biformed para la detección de objetivos pequeños, optimizando la asignación de computación y mejorando la flexibilidad de percepción de contenido. A través de la fusión de características a múltiples escalas, utilizamos mecanismos de doble atención para reducir el número de cálculos redundantes. Además, se introdujo el método de optimización Focal_EIOU para mejorar su precisión y abordar problemas relacionados con la clasificación desigual de muestras en la función de pérdida. El algoritmo YOLOv5s-BiCE fue mejor para reconocer la madurez de las fresas en comparación con el modelo original YOLOv5s. Logró un aumento del 2,8% en la precisión promedio y un aumento del 7,4% en la precisión para el conjunto de datos de madurez de fresas. El algoritmo mejorado superó a otras redes, como YOLOv4-tiny, YOLOv4-lite-e, YOLOv4-lite-s, YOLOv7 y Fast RCNN, con mejoras en la precisión de reconocimiento del 3,3%, 4,7%, 4,2%, 1,5% y 2,2%, respectivamente. Además, desarrollamos una aplicación de detección correspondiente y combinamos el algoritmo con DeepSort para aplicarlo a robots de patrulla. Se encontró que el algoritmo de detección muestra una velocidad de detección en tiempo real rápida, puede respaldar estimaciones inteligentes del rendimiento de las fresas y puede ayudar a los robots recolectores.