La identificación de malas hierbas en el campo es un desafío para la pulverización de precisión, es decir, la identificación automatizada de las malas hierbas en los cultivos. Para obtener rápidamente la distribución de las malas hierbas en el campo, este estudio desarrolló un método de detección de densidad de malas hierbas basado en el algoritmo de punto de esquina de característica absoluta (AFCP) por primera vez. Para optimizar el algoritmo AFCP, primero se realizó un preprocesamiento de imágenes a través de un procesamiento de submódulos capaz de segmentar y optimizar las imágenes del campo. El algoritmo AFCP mejoró la esquina de Harris para extraer esquinas de cultivos individuales y malas hierbas, y luego se propuso un clasificador de esquina subabsoluta, así como un clasificador de esquina absoluta para la detección de esquinas absolutas de hileras de cultivos. Luego, el algoritmo AFCP fusionó esquinas absolutas para identificar la información de posición de cultivos y malas hierbas. Mientras tanto, la distribución de las malas hierbas se obtuvo en función de dos parámetros de densidad de malas hierbas (presión de malas hierbas y tasa de agrupación). Por último, el algoritmo AFCP se validó en base a las imágenes obtenidas utilizando una cámara digital típica montada en el tractor en el campo. Los resultados mostraron que el método propuesto de detección de malas hierbas se manifestó bien dada su capacidad para procesar una imagen de 2748 x 576 píxeles en 782 ms, así como su precisión en la identificación de malas hierbas alcanzando el 90.3%. Tales resultados indicaron que el método de detección de malas hierbas basado en el algoritmo AFCP cumplía con los requisitos de gestión de malas hierbas práctica en el campo, incluido el procesamiento de imágenes en tiempo real y la precisión, lo que proporcionó la base teórica para las operaciones de pulverización de precisión.