Para optimizar la eficiencia de los robots de cosecha de piñas en el reconocimiento y detección de objetivos, este documento presenta un modelo ligero de detección de piñas, llamado MSGV-YOLOv7. Este modelo adopta MobileOne como la innovadora red principal y utiliza thin neck como la red de cuello. Las mejoras en estas arquitecturas han mejorado significativamente la capacidad de extracción y fusión de características, acelerando así la tasa de detección. Los resultados empíricos indicaron que MSGV-YOLOv7 superó al YOLOv7 original con un aumento del 1.98% en precisión, un aumento del 1.35% en la tasa de recuperación y un aumento del 3.03% en , mientras que la velocidad de detección en tiempo real alcanzó 17.52 cuadros por segundo. En comparación con Faster R-CNN y YOLOv5n, la de este modelo aumentó en un 14.89% y un 5.22%, respectivamente, mientras que la velocidad de detección en tiempo real aumentó aproximadamente 2.18 veces y 1.58 veces, respectivamente. La aplicación de pruebas de visualización de imágenes ha verificado los resultados, confirmando que el modelo MSGV-YOLOv7 identificó con éxito y precisión las características únicas de las piñas. El método propuesto de detección de piñas presenta un potencial significativo para su implementación a gran escala. Se espera que reduzca notablemente tanto el tiempo como los costos económicos asociados con las operaciones de cosecha de piñas.