آشکارسازی میوه با توجه به شرایط روشنایی متفاوت، انسداد و همپوشانی یک کار چالش‌برانگیز در ربات‌های برداشت مبتنی بر بینایی ماشین است. هدف از این مقاله بهبود مصالحه دقت-سرعت در آشکارسازی میوه سیب در سیستم بینایی ربات‌های برداشت کننده کشاورزی است. با توجه به کاربردهای اخیر ماژول‌های توجه در زمینه آشکارسازی شیء، معماری جدیدی از شبکه YOLOv5 پیشنهاد شده است که در آن ماژول توجه کانالی ECA در ستون فقرات شبکه، جایگزین ماژول C3 شده است. ماژول ECA علی‌رغم کاهش تعداد پارامترهای شبکه اثر قابل توجهی در کارایی آشکارسازی نداشت و با افزایش سرعت به میزان% 22نسبت به YOLOv5 نسخه نانو، توانست مصالحه بهتری بین دقت و سرعت برقرار کند. برای ارزیابی معماری پیشنهادی از سه نوع مجموعه داده KFuji، MinneApple و ACFR در مرحله آموزش و آزمون استفاده شد و در حالتی که پایگاه داده آموزش و آزمون یکی نبودند، روش‌ یادگیری انتقالی برای بهبود نتایج آزمون به کار گرفته شد. در حالتی که داده‌های آموزش و آزمون یکی بودند، استفاده از معماری پیشنهادی منجر به بهبود نسبی عدد مصالحه به میزان 21.2% در مقایسه با ماژول C3 شد و در حالت یادگیری انتقالی که داده‌های آموزش و آزمون یکی نبودند، بهبود نسبی 18% در عدد مصالحه به دست آمد.