Las vainas de loto en entornos no estructurados a menudo presentan características multinivel en las imágenes capturadas. Como resultado, hace que su identificación automática sea difícil y propensa a detecciones perdidas y falsas. Este estudio propuso un modelo de identificación de vainas de loto multinivel ligero, MLP-YOLOv5, para hacer frente a esta dificultad. El modelo ajustó la capa de detección multinivel y optimizó los parámetros de la caja de anclaje para mejorar la precisión de detección de objetos pequeños. Se introdujo el módulo C3 con codificador transformador (C3-TR) y el mecanismo de atención de mezcla (SA) para mejorar la capacidad de extracción de características y calidad de detección del modelo. Se adoptaron los módulos GSConv y VoVGSCSP para construir un cuello ligero, reduciendo así los parámetros y el tamaño del modelo. Además, SIoU se utilizó como función de pérdida de regresión de caja delimitadora para lograr una mejor precisión y convergencia más rápida. Los resultados experimentales en el conjunto de pruebas de vainas de loto multinivel mostraron que MLP-YOLOv5 logró un mAP del 94.9%, un 3% más alto que el valor base. En particular, la precisión y la recuperación del modelo para objetos a pequeña escala se mejoraron en un 5.5% y 7.4%, respectivamente. En comparación con otros algoritmos principales, MLP-YOLOv5 mostró ventajas más significativas en precisión de detección, parámetros, velocidad y tamaño del modelo. Los resultados de las pruebas verificaron que MLP-YOLOv5 puede identificar rápidamente y con precisión objetos multinivel de vainas de loto en entornos complejos. Podría apoyar eficazmente al robot cosechador recogiendo vainas de loto de manera precisa y automática.