【摘要】[目的] 为了在田间环境下准确检测食用玫瑰的成熟度，针对由于光照、遮挡等因素造成识别精度较差问题，提出了一种基于YOLOv7的改进模型，对食用玫瑰的3个生长状态进行检测识别。[方法]在YOLOv7主干网络中结合SCConv对高效聚合模块ELAN进行改进，压缩冗余特征，提高检测性能；引入CARAFE轻量级上采样算子对常规的上采样方法进行优化，提高特征重组质量，更好聚合上下文特征信息；在模型中融入SimAM注意力机制，使模型更好地关注检测目标，改善玫瑰漏检误检现象。[结果] 结果显示，改进后的模型平均精度值达到91.7%，相比于YOLOv7模型平均精度值提升了3.6%，对花蕾期、采摘期和败花期的检测精度达到96.1%、96.0%和83.1%，较原模型分别提高了3.7%、2.0%、5.3%，改进后的模型相较于主流目标检测模型总体精度更高。[结论]本研究可为非结构环境下的食用玫瑰花期检测提供了更加准确的方法。