La detección de características de referencia es crítica en los sistemas de perforación automática de robots móviles para compensar la precisión del robot y los errores de ensamblaje en la fabricación aeroespacial. La precisión del sistema se ve influenciada por el reconocimiento de características de referencia, que a menudo se ve obstaculizado por la interferencia del material y el ruido de fondo. Para abordar estos problemas, este artículo propone un método que utiliza una cámara industrial 2D para la captura de imágenes, aplica aprendizaje profundo para el reconocimiento y posicionamiento inicial del objetivo, y luego determina la ubicación de extracción de características en función del reconocimiento inicial. Las posiciones de referencia extraídas se ajustan con precisión utilizando un algoritmo de Huber mejorado. Los resultados experimentales demuestran que este enfoque mejora la tasa de reconocimiento de detección de características de referencia en un 43.8%, la precisión del reconocimiento central en un 78.26% y la precisión general del procesamiento de agujeros en un 54.69%.