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RT-DETR改进的FPB-DETR检测模型。首先，在主干网络中引入频率自适应膨胀卷积（frequency-adaptive dilated convolution，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Pola-AIFI（polaformer-attention-based intra-scale feature interaction）模块，解决负值忽略与信息熵过大的问题，抑制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（bi-directional feature pyramid network，BIFPN）结构，优化特征融合效率与关键信息聚焦能力，抑制成熟度特征传递中的歧义干扰。结果表明：本研究所提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 R-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，满足对苹果成熟度实时检测的需求。本研究在特征提取、注意力机制与多尺度融合三方面实现创新，为智能采摘机器人更好的发展打下基础。