Este estudio tiene como objetivo mejorar la eficiencia de detección y el rendimiento de los robots recolectores en el entorno complejo de la casa de cultivo de hongos. A partir de redes de aprendizaje profundo, se propuso un algoritmo mejorado YOLOv5s para una detección precisa. Primero, las imágenes recolectadas in situ de la casa de cultivo de hongos se preprocesaron y aumentaron para construir un conjunto de datos que contenía 810 imágenes, las cuales se dividieron en los conjuntos de entrenamiento y prueba en una proporción de 8:2. Luego, al introducir el Módulo de Atención de Bloque Convolutivo (CBAM) en la red principal de YOLOv5s y adoptar la técnica de aumento de imagen Mosaico en el entrenamiento, se mejoró la precisión y robustez de detección del algoritmo. Los resultados experimentales mostraron que el algoritmo mejorado tenía una precisión de reconocimiento del 98%, un tiempo de procesamiento de imagen único de 18 ms, un error de localización de punto central del 0.40% y un error de medición de diámetro del 1.08%. En comparación con YOLOv5s y YOLOv7, YOLOv5s-CBAM tiene un mejor rendimiento en precisión de reconocimiento, posicionamiento central y medición de diámetro. Por lo tanto, el algoritmo propuesto es capaz de realizar una detección precisa en el entorno complejo de la casa de cultivo de hongos.