La detección de la madurez del tomate en entornos de campo abierto se ve desafiada por la siembra densa, la occlusión pesada y las condiciones de iluminación complejas. Los métodos existentes principalmente se basan en pistas de color y textura, limitando la percepción de límites y causando predicciones redundantes en escenas concurridas. Para abordar estos problemas, proponemos un marco de detección mejorado llamado Edge-Guided DETR (EG-DETR), basado en el DEtection TRansformer (DETR). EG-DETR introduce información de bordes previos extrayendo características de bordes a múltiples escalas a través de una red de columna vertebral de bordes. Estas características se fusionan en el decodificador del transformador para guiar las consultas hacia regiones en primer plano, lo que mejora la detección bajo la occlusión. Además, diseñamos una estrategia de supresión de cajas redundantes para reducir predicciones duplicadas causadas por frutas agrupadas. Evaluamos nuestro método en un conjunto de datos multimodal de tomate que incluía condiciones de iluminación variadas como luz natural, luz artificial, poca luz y luz amarilla de sodio. Nuestros resultados experimentales muestran que EG-DETR logra un 83.7% bajo condiciones desafiantes de iluminación y occlusión, superando a los modelos existentes. Este trabajo proporciona una solución de detección inteligente confiable para la cosecha automatizada en la agricultura inteligente.