Para mejorar la velocidad y precisión de los métodos utilizados para el reconocimiento y posicionamiento de plantas de fresa, este artículo se centra en la detección de fresas en sustratos elevados y sus puntos de recolección, utilizando un robot recolector de fresas, basado en el algoritmo de detección de objetos You Only Look Once versión 7 (YOLOv7) y sensores Red Green Blue-Depth (RGB-D). Las modificaciones al modelo YOLOv7 incluyen la integración de módulos más eficientes, la incorporación de mecanismos de atención, la eliminación de capas de características superfluas y la adición de capas dedicadas a la detección de objetivos más pequeños. Estas modificaciones han dado lugar a un modelo de red YOLOv7 ligero y mejorado. El número de parámetros es solo el 40.3% del modelo original. La cantidad de cálculo se reduce en un 41.8% y el tamaño del modelo en un 59.2%. La velocidad y precisión de reconocimiento también se mejoran. La velocidad de reconocimiento del modelo aumenta en un 19.3%, la precisión del reconocimiento del modelo alcanza el 98.8% y mAP@0.95 alcanza el 96.8%. Además, hemos desarrollado un método para localizar los puntos de recolección de fresas basado en la geometría de las fresas. Los resultados de las pruebas demostraron que la tasa de éxito promedio de posicionamiento y el tiempo promedio de posicionamiento fueron del 90.8% y 76 ms, respectivamente. El robot recolector en el laboratorio utilizó el método de reconocimiento y posicionamiento propuesto en este artículo. El error de calibración mano-ojo es inferior a 5.5 mm en el eje X, menos de 1.6 mm en el eje Y y menos de 2.7 mm en el eje Z, lo que cumple con los requisitos de precisión de recolección. La tasa de éxito del experimento de recolección fue de aproximadamente el 90.8%, y el tiempo de ejecución promedio para recolectar cada fresa fue de 7.5 s. En resumen, el método de reconocimiento y posicionamiento propuesto en este artículo proporciona un método más eficaz para recolectar automáticamente fresas en sustratos elevados.