La granja inteligente es actualmente un tema candente en la industria agrícola. Debido al entorno complejo del campo, el modelo de monitoreo inteligente aplicable a este entorno requiere un alto rendimiento de hardware, y existen dificultades para realizar la detección en tiempo real de fresas maduras en un pequeño robot de recolección automática, etc. Esta investigación propone un algoritmo de detección de fresas en tiempo real en múltiples etapas YOLOv5-ASFF basado en YOLOv5 mejorado. A través de la introducción del módulo ASFF (fusión de características espaciales adaptativas) en YOLOv5, la red puede aprender de manera adaptativa los pesos espaciales fusionados de los mapas de características de fresas en cada escala como una forma de obtener completamente la información de características de imagen de las fresas. Para verificar la superioridad y disponibilidad de YOLOv5-ASFF, se construyó en este experimento un conjunto de datos de fresas que contiene una variedad de escenarios complejos, incluida la sombra de hojas, la superposición de frutas y la fruta densa. El método logró 91.86% y 88.03% para mAP y F1, respectivamente, y 98.77% para AP de fresas en etapa madura, mostrando una fuerte robustez y capacidad de generalización, mejor que SSD, YOLOv3, YOLOv4 y YOLOv5s. El algoritmo YOLOv5-ASFF puede superar la influencia de entornos de campo complejos y mejorar la detección de fresas bajo condiciones de distribución densa y sombreado, y el método puede proporcionar soporte técnico para la estimación de rendimiento y la planificación de la cosecha en la gestión inteligente de campos de fresas.