Para mejorar la efectividad de la trasplantación de vegetales y formular rápidamente estrategias de trabajo posteriores, es imperativo estudiar el enfoque de reconocimiento para plántulas trasplantadas. En el entorno natural y complejo, factores como el fondo y la luz solar a menudo dificultan el reconocimiento preciso del objetivo. Para superar estos desafíos, este estudio explora un algoritmo ligero pero eficiente para reconocer estados de trasplante de repollo en entornos naturales. Inicialmente, FasterNet se integra como la red de base en el modelo YOLOv5s, con el objetivo de acelerar la velocidad de convergencia y reforzar las capacidades de extracción de características. En segundo lugar, la introducción del mecanismo de atención GAM mejora el enfoque del algoritmo en plántulas de repollo. La pérdida de EIoU se incorpora para mejorar tanto la velocidad de convergencia de la red como la precisión de la localización. Por último, el modelo incorpora la convolución deformable DCNV3, que optimiza aún más los parámetros del modelo y logra un equilibrio superior entre precisión y velocidad. Al probar el algoritmo de detección de objetivos YOLOv5s refinado, se observaron mejoras. En comparación con el modelo original, la precisión promedio (mAP) aumentó en 3.5 puntos porcentuales, el recall aumentó en 1.7 puntos porcentuales y la velocidad de detección experimentó un impresionante aumento de 52 FPS. Este algoritmo mejorado no solo reduce la complejidad del modelo, sino que también eleva el rendimiento de la red. Se espera que el método agilice las mediciones de calidad de trasplante, minimice el tiempo y los recursos laborales y eleve los niveles de automatización de las encuestas de calidad de trasplante en el campo.