Una regulación inadecuada del volumen de alimentación de caña de azúcar puede llevar a la ineficiencia o al atasco de la cosechadora. Por lo tanto, el reconocimiento preciso del volumen de alimentación es crítico. Sin embargo, el reconocimiento visual es desafiante debido al apilamiento de la caña de azúcar durante la alimentación. Para abordar esto, proponemos YOLO-ASM (YOLO Accurate Stereo Matching), un novedoso método de detección. Nivel de detección de objetivos, integramos un Módulo de Atención de Bloque Convolucional (CBAM) en la red principal YOLOv5s. Esto reduce significativamente las detecciones perdidas y las predicciones de baja confianza en escenarios de apilamiento denso, mejorando la velocidad de detección en un 28.04% y aumentando la precisión promedio (mAP) en un 5.31%. A nivel de coincidencia estéreo, mejoramos el algoritmo SGBM (Semi-Global Block Matching) a través de un cálculo de costo y una agregación de costo mejorados, lo que resulta en Opti-SGBM (SGBM Optimizado). Este enfoque de fusión de doble costo fortalece la extracción de características de textura en la caña de azúcar apilada, reduciendo efectivamente el ruido en los mapas de profundidad generados. El algoritmo optimizado produce mapas de profundidad con errores más pequeños en comparación con las imágenes originales, mejorando significativamente la precisión de la profundidad. Los resultados experimentales demuestran que el algoritmo YOLO-ASM fusionado reduce las tasas de error de volumen de caña de azúcar en volúmenes de alimentación del uno al seis en un 3.45%, 3.23%, 6.48%, 5.86%, 9.32% y 11.09%, respectivamente, en comparación con el algoritmo de coincidencia estéreo original. También acelera la detección del volumen de alimentación en aproximadamente un 100%, proporcionando una solución de alta precisión para el control contra atascos en los sistemas transportadores de cosechadoras de caña de azúcar.