针对自然环境下果实重叠、相互遮挡和目标小的澳洲坚果果实检测准确率低的问题，提出一种改进YOLOv9模型的识别方法(YOLO-L)。首先，引入BiFormer注意力机制，该机制通过双层路由注意力机制实现了动态、查询感知的稀疏注意力分配，能够很好地捕获特征表征，增强网络对全局特征的关注度；其次，采用VoVGSCSP模块代替YOLOv9中的CBFuse模块，提高了复杂场景下小目标的检测效果；最后，将YOLOv9模型默认的损失函数替换成排斥损失函数，解决了果实排列密集和漏检的问题，进一步提升了澳洲坚果果实检测的平均精度。通过消融试验和对比试验来验证模型的有效性，发现YOLO-L模型的平均精度均值、精确率、召回率和F_1值分别达到96.2%、92.3%、88.2%和90.2%。与YOLOv9模型相比，YOLO-L模型的平均精度均值提升了4.9个百分点。总体而言，YOLO-L模型能够在自然环境下准确识别被遮挡、重叠的澳洲坚果果实，且检测精度高。研究结果可为澳洲坚果产业的智能采摘提供有效的技术支持。