Este estudio aborda los desafíos de detectar frutas de calidad inferior en uvas de mesa en entornos naturales, centrándose en diferencias sutiles en la apariencia, ocultaciones y superposiciones de frutas. Proponemos un modelo mejorado de detección de enfermedades en uvas verdes llamado RF-YOLOv7. El modelo está entrenado en un conjunto de datos que incluye imágenes de frutas pequeñas, quemaduras solares, uvas en exceso, fracturas en frutas y racimos de uvas de mala calidad. RF-YOLOv7 se basa en la arquitectura YOLOv7 al integrar cuatro módulos de Transformador Contextual (CoT) para mejorar la precisión de la detección de objetivos, empleando la función de pérdida Wise-IoU (WIoU) para mejorar la generalización y el rendimiento general, e introduciendo el mecanismo de atención Bi-Former para la conciencia dinámica de la escasez de consultas. Los resultados experimentales demuestran que RF-YOLOv7 logra una precisión de detección del 83.5%, una tasa de recuperación del 76.4%, una precisión media (mAP) del 80.1% y una velocidad de detección de 58.8 ms. En comparación con el YOLOv7 original, RF-YOLOv7 muestra un aumento del 3.5% en mAP, con solo un aumento de 8.3 ms en el tiempo de detección. Este estudio sienta una base sólida para el desarrollo de equipos de detección automática para la poda inteligente de uvas.