Los sistemas automatizados de cosecha dependen en gran medida de un reconocimiento preciso y en tiempo real de la fruta, lo cual es esencial para mejorar la eficiencia y reducir los costos laborales. Las fresas, debido a su estructura delicada y entornos de cultivo complejos, presentan desafíos únicos para los sistemas automatizados de reconocimiento. Los métodos actuales utilizan predominantemente enfoques a nivel de píxeles y basados en cajas, que son insuficientes para aplicaciones en tiempo real debido a su incapacidad para localizar con precisión las fresas. Para abordar estas limitaciones, este estudio propone StrawSnake, una red de detección y segmentación basada en contornos diseñada específicamente para fresas. Al diseñar un contorno octogonal específico para las fresas y emplear la convolución de serpiente profunda (DSConv) para la extracción de características de los límites, StrawSnake mejora significativamente la precisión y la velocidad de reconocimiento. El Bloque de Refuerzo de Características Multiescala (MFRB) fortalece aún más el modelo al centrarse en características de límites cruciales y al agregar información de contorno de varios niveles, lo que mejora la comprensión del contexto global. Las bases de datos recién desarrolladas TongStraw_DB y la base de datos pública StrawDI_Db1, que constan de 1080 y 3100 imágenes de fresas de alta resolución con contornos de verdad terreno segmentados manualmente, respectivamente, sirven como una base sólida para el entrenamiento y la validación. Los resultados indican que StrawSnake logra capacidades de reconocimiento en tiempo real con alta precisión, superando a los métodos existentes en diversas pruebas comparativas. Los estudios de ablación confirman la efectividad de los módulos DSConv y MFRB en mejorar el rendimiento. La integración de StrawSnake en sistemas automatizados de cosecha marca un gran avance en el campo, prometiendo una precisión y eficiencia mejoradas en tareas de reconocimiento de fresas. Esta innovación destaca el potencial del método para transformar las tecnologías de cosecha automatizadas, haciéndolas más confiables y efectivas para aplicaciones prácticas.