La posición del brote superior por la máquina de poda en la operación de poda del algodón depende del algoritmo de reconocimiento. Los resultados de detección del algoritmo de detección de objetivos tradicional contienen mucha información inútil, lo cual no es propicio para la posición del brote superior. Con el fin de obtener un algoritmo de reconocimiento más eficiente, proponemos un algoritmo de segmentación de brote superior CBLN-YOLO basado en el modelo YOLO11n-seg. En primer lugar, las convoluciones estándar y los mecanismos de autoatención multihead (MHSA) en YOLO11n-seg son reemplazados por convoluciones deformables lineales (LDConv) y mecanismos de atención de coordenadas (CA) para reducir la tasa de crecimiento de parámetros del modelo original y explotar mejor las características detalladas de los brotes superiores. En el cuello, la red de pirámide de características (FPN) se reconstruye utilizando un módulo de correlación de características intercapas mejorado (EFC), y la pérdida de regresión se calcula utilizando la función de pérdida Inner CIoU. Cuando se prueba en un conjunto de datos autoconstruido, los valores de mAP@0.5 de CBLN-YOLO para detección y segmentación son del 98.3% y 95.8%, respectivamente, lo cual es superior a los modelos de segmentación tradicionales. Al mismo tiempo, CBLN-YOLO también muestra una fuerte robustez bajo diferentes condiciones climáticas y períodos de tiempo, y su velocidad de reconocimiento alcanza las 135 imágenes por segundo, lo que proporciona un fuerte apoyo para la posición del brote superior del algodón en el entorno de campo.