La apariencia y calidad de la carne son índices importantes en el proceso de producción, y la calidad del producto se verá reducida si se mezcla camarón defectuoso durante el procesamiento. Para resolver este problema, se propuso un modelo de detección de calidad basado en aprendizaje profundo. En primer lugar, se amplió el conjunto de datos hecho a medida para mejorar la capacidad de generalización de la red neuronal. En segundo lugar, el espinazo de YOLOv5 (you only look once v5) se reemplaza por la red ligera PP-LCNet que elimina la capa densa al final, lo que reduce los parámetros del modelo y los cálculos. Luego, el módulo de convolución DepthSepConv de 7 x 7 se incrusta en un espinazo PP-LCNet, lo que fortalece efectivamente la capacidad de extracción de características de la red. Por último, se utiliza la función de activación SiLU para reemplazar las funciones de activación Hardsigmoid y Hardswish en el espinazo PP-LCNet para mejorar la capacidad de regularización y la velocidad de detección de la red. A través de experimentos comparativos, el rendimiento integral de la red Shrimp-YOLOv5s es superior al modelo clásico actual y al modelo ligero. El mAP@0.5, mAP@0.5:0.95, velocidad de detección, parámetros y cálculos de Shrimp-YOLOv5s son 98.5%, 88.1%, 272.8 FPS (cuadros por segundo), 4.8 M y 9.0 GFLOPs (operaciones de punto flotante giga) respectivamente.