El algoritmo de detección de objetos es una de las tecnologías centrales del robot inteligente de recolección de caucho, pero la mayoría de los algoritmos de detección existentes no pueden satisfacer de manera efectiva la detección de trayectorias de recolección de caucho natural en el complejo entorno forestal. Este artículo propone un método de detección de trayectorias de recolección para árboles de caucho natural basado en un modelo YOLOv5 mejorado para lograr una detección rápida y precisa. Primero, se agrega un mecanismo de atención de coordenadas (CA) a la red Backbone para incrustar la información de ubicación en la atención de canales, lo que mejora efectivamente la precisión de la detección. En segundo lugar, se diseña un módulo llamado convolución y GhostBottleneck (CGB), basado en el módulo Ghost, para sustituir el módulo Cross Stage Partial Network (CSP) en la red Neck, lo que garantiza la precisión de la detección mientras se reducen los parámetros del modelo. Finalmente, se introduce la función de pérdida EIoU para permitir una regresión más precisa del modelo. Los resultados experimentales muestran que el rendimiento general del modelo YOLOv5-CCE supera al YOLOv5 original y a otros algoritmos de detección ligeros clásicos. En comparación con el modelo YOLOv5 original, el modelo YOLOv5-CCE tiene una mejora del 2.1% en el valor de mAP, una compresión del 2.5% de los parámetros del modelo y una reducción del 7.0% en el número de operaciones de punto flotante (FLOPs). Por lo tanto, el modelo mejorado puede satisfacer completamente los requisitos de detección en tiempo real, proporcionando un método de detección robusto para los robots de recolección de caucho.