[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]改进后的模型平均精度值为91.7%,相比于YOLOv7模型平均精度增加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3.7%、2.0%、5.3%,改进后的模型总体精度提高。[结论]本研究可为非结构环境下的食用玫瑰花期检测提供更加准确的方法。