Para lograr un reconocimiento preciso, rápido y robusto de las etapas de madurez de la fruta de arándano para dispositivos periféricos como robots de inspección de huertos, esta investigación propone un método de detección ligero basado en un algoritmo YOLOv5 mejorado. En el algoritmo YOLOv5 mejorado, se utiliza el módulo ShuffleNet para lograr redes neuronales convolucionales profundas ligeras. También se utiliza el Módulo de Atención de Bloque Convolucional (CBAM) para mejorar la capacidad de fusión de características de redes neuronales convolucionales profundas ligeras. La efectividad de este método se evalúa utilizando el conjunto de datos de frutas de arándano. Los resultados experimentales demuestran que este método puede detectar efectivamente las frutas de arándano y reconocer sus etapas de madurez en entornos de huertos. La recuperación promedio () de la detección es del 92.0%. La precisión media promedio (mAP) de la detección con un umbral de 0.5 es del 91.5%. La velocidad promedio de la detección es de 67.1 cuadros por segundo (fps). En comparación con otros algoritmos de detección, como YOLOv5, SSD y Faster R-CNN, este método tiene un tamaño de modelo más pequeño, parámetros de red más pequeños, menor uso de memoria, menor uso de computación y una velocidad de detección más rápida manteniendo un alto rendimiento de detección. Es más adecuado para la migración y despliegue en dispositivos periféricos. Esta investigación puede servir como referencia para el desarrollo de sistemas de detección de frutas para dispositivos inteligentes de huertos.