针对当前苹果成熟度检测在大规模、光照和遮挡等情况时检测精度与效率较低的情况,提出一种基于改进RT-DETR的苹果成熟度检测算法。首先,在主干网络中引入频率自适应膨胀卷积(FADC)模块,通过解决有效感受野与特征带宽的矛盾以及突破固定膨胀率的限制,精准聚焦了苹果表面细微颜色渐变区、未成熟斑点及纹理条纹。其次,设计极性注意力机制(Pola-AIFI)模块,解决负值忽略与信息熵过大的问题,抑制了目标苹果在不同环境下的干扰。最后,在多尺度融合阶段引入双向特征金字塔网络(BIFPN)结构,优化特征融合效率与关键信息聚焦能力,显著抑制了成熟度特征传递中的歧义干扰。研究表明,FPB-DETR模型的精确度、召回率和平均精度均值分别为92.5％、92.7％和96.8％,相比于原模型分别提升2%、1.7%和1.8%,均优于Faster-CNN、YOLOv5、YOLO v8、YOLO v11以及YOLO v12目标检测模型,显著提升了模型检测能力。模型平均检测时间为31 ms,满足了对苹果成熟度实时检测的需求,为智能采摘机器人更好的发展打下基础。