La identificación del fruto de pepino es un procedimiento esencial en la cosecha automatizada en invernaderos. Con el fin de mejorar la capacidad de identificación de los modelos de detección de objetos para la cosecha de frutos de pepino, se construyó un conjunto de datos de imágenes RGB ampliado (= 801) con 3943 etiquetas positivas y negativas. En primer lugar, se compararon doce canales en cuatro espacios de color (, , , ) a través del método ReliefF para elegir el canal con el mayor peso. En segundo lugar, el conjunto de datos de imágenes RGB se convirtió en el conjunto de datos de seudocolor del canal elegido (canal) para pre-entrenar el modelo YOLOv5s antes del entrenamiento formal utilizando el conjunto de datos de imágenes RGB. Basado en este método, el modelo YOLOv5s fue mejorado por el canal. Los resultados experimentales muestran que la precisión de reconocimiento de frutos de pepino del modelo YOLOv5s mejorado aumentó del 83.7% al 85.19%. En comparación con el modelo YOLOv5s original, los valores promedio de , , tasa de recall y fueron aumentados en un 8.03%, 7%, 8.7% y 8%, respectivamente. Para verificar la aplicabilidad del método de pre-entrenamiento, se realizaron experimentos de ablación en SSD, Faster R-CNN y cuatro versiones de YOLOv5 (s, l, m, x), lo que resultó en un aumento de precisión del 1.51%, 3.09%, 1.49%, 0.63%, 3.15% y 2.43%, respectivamente. Los resultados de este estudio indican que el método de pre-entrenamiento de canal es prometedor para mejorar la detección de frutos de pepino en un fondo de color cercano.