En entornos complejos de huertos de cítricos, los cambios de luz, el sombreado de ramas y la superposición de frutas afectan la precisión de detección de cítricos. Este documento propone el modelo de detección de cítricos YOLO-DCA en entornos complejos basado en el modelo YOLOv7-tiny. Utilizamos convolución separable en profundidad (DWConv) para reemplazar la convolución ordinaria en ELAN, lo que reduce el número de parámetros del modelo; incrustamos la atención de coordenadas (CA) en la convolución para convertirla en una convolución de atención de coordenadas (CAConv) y reemplazar la convolución ordinaria de la convolución de la red del cuello; y utilizamos una cabeza de detección dinámica para reemplazar la cabeza de detección original. Entrenamos y evaluamos el modelo de prueba usando un conjunto de datos de cítricos casero. El tamaño del modelo es de 4.5 MB, el número de parámetros es de 2.1 M, el mAP es del 96.98% y el tiempo de detección de una sola imagen es de 5.9 ms, lo que es superior a modelos similares. En la prueba de aplicación, tiene un mejor efecto de detección en cítricos en escenas de oclusión, transformación de luz y cambio de movimiento. El modelo tiene las ventajas de alta precisión de detección, ocupación de espacio de modelo pequeño, fácil implementación de la aplicación y fuerte robustez, lo que puede ayudar a los robots recolectores de cítricos y mejorar su nivel de inteligencia.