Los arándanos son una de las frutas más económicamente gratificantes para los productores de frutas. Identificar la fruta de arándano en diferentes etapas de madurez es económicamente importante y puede ayudar a los productores de frutas a planificar aplicaciones de pesticidas, estimar rendimientos y llevar a cabo operaciones de cosecha de manera eficiente, entre otros beneficios. Los métodos visuales para identificar las diferentes etapas de maduración de las frutas están recibiendo cada vez más atención generalizada. Sin embargo, debido al complejo entorno natural y al grave sombreado causado por las características de crecimiento de los arándanos, la precisión y eficiencia de la detección de arándanos se ven reducidas en diversos grados. Para abordar los problemas anteriores, en el estudio presentado aquí, construimos un modelo de detección YOLOv9c mejorado para detectar e identificar con precisión los arándanos en diferentes etapas de maduración. El tamaño de la red se redujo al introducir el módulo de convolución SCConv, y la precisión de detección de la red en entornos complejos y ocultos se mejoró al introducir el módulo de atención SE y la función de pérdida MDPIoU. En comparación con el modelo original, el mAP0.5 y el mAP0.5:0.95 de la red YOLOv9c mejorada mejoraron en un 0,7% y 0,8%, respectivamente. El tamaño del modelo se redujo en 3,42 MB, el número de parámetros del modelo se redujo en 1,847 M y el tiempo de detección de una sola imagen se redujo en 4,5 ms. El rendimiento general del modelo de detección se mejoró de manera efectiva para proporcionar una referencia valiosa para técnicas de detección y localización precisas para robots agrícolas de recolección.