Al recoger fresas al aire libre, debido a factores como cambios de luz, obstrucción de obstáculos y detección de objetos pequeños, se producen fenómenos de baja precisión en el reconocimiento de fresas y baja tasa de reconocimiento. Se propone un algoritmo mejorado de reconocimiento de alta precisión de fresas YOLOv5n. El algoritmo utiliza FasterNet para reemplazar la red principal original YOLOv5n y mejora la tasa de detección. Se agrega el módulo de mecanismo de atención MobileViT para mejorar la capacidad de extracción de características de objetos pequeños, de modo que el modelo tenga una mayor precisión de detección y tamaños de módulo más pequeños. Se introducen el módulo de atención híbrida CBAM y el módulo C2f para mejorar la capacidad de expresión de características de la red neuronal, enriquecer la información de flujo de gradiente y mejorar el rendimiento y la precisión del modelo. También se agrega el módulo SPPELAN para mejorar la eficiencia de detección del modelo para objetos pequeños. Los resultados experimentales muestran que la precisión de detección del modelo mejorado es del 98.94%, la tasa de recuperación es del 99.12%, el volumen del modelo es de 53.22 MB y el valor de mAP es del 99.43%. En comparación con el YOLOv5n original, la precisión de detección aumentó en un 14.68% y la tasa de recuperación aumentó en un 11.37%. Esta tecnología ha logrado de manera efectiva la detección e identificación precisa de fresas en condiciones exteriores complejas y ha proporcionado una base teórica para la identificación precisa en exteriores y la tecnología de recolección precisa.