Para abordar el desafío de la localización precisa de puntos de recolección en plantas de cártamo morfológicamente diversas, este estudio propone PointSafNet, un novedoso marco de análisis de nube de puntos en 3D de tres etapas con innovaciones arquitectónicas y metodológicas distintivas. En la Etapa I, introducimos un proceso de reconstrucción multivista que integra Estructura a partir del Movimiento (SfM) y Estéreo Multivista (MVS) para generar nubes de puntos de plantas en 3D de alta fidelidad. La Etapa II desarrolla una arquitectura de doble rama que emplea módulos Star para la extracción jerárquica de características geométricas a múltiples escalas a nivel de órganos (filamentos y bolas de frutos), complementada por un mecanismo de Atención Anclada al Contexto (CAA) para capturar información contextual a larga distancia. Este enfoque sinérgico de aprendizaje de características aborda variaciones morfológicas, logrando una precisión de segmentación del 86.83% (superando a PointNet++ en un 7.37%) y superando a los modelos convencionales de nube de puntos. La Etapa III propone un proceso de análisis geométrico optimizado que combina la vectorización espacial de doble centroide con un análisis de proximidad basado en Caja Delimitadora Orientada (OBB), resolviendo la localización de coordenadas de recolección en plantas diversas con un 90% de precisión de posicionamiento y un IoU medio del 68.82% (mejora del 13.71%). Los experimentos demuestran que PointSafNet integra sistemáticamente la reconstrucción en 3D, el aprendizaje jerárquico de características y el razonamiento geométrico para proporcionar orientación visual a los sistemas de cosecha robótica en dosel de plantas complejas. El énfasis dual del marco en la innovación arquitectónica y el modelado geométrico ofrece una solución generalizable para tareas de agricultura de precisión que involucran cártamos morfológicamente diversos.