La segmentación de brotes de té y la localización de puntos de recolección a través de visión artificial son las tecnologías centrales de la recolección automática de té. Este estudio propone un método de segmentación de té y localización de puntos de recolección basado en una red neuronal convolucional ligera llamada MC-DM (Multi-Class DeepLabV3+ MobileNetV2) para resolver el problema de los puntos de recolección de brotes de té en un entorno natural. En la arquitectura MC-DM, se utiliza un MobileNetV2 optimizado para reducir el número de parámetros y cálculos. Luego, se introduce el módulo de agrupación piramidal espacial atrous densamente conectado en el MC-DM para obtener un muestreo de píxeles más denso y un campo receptivo más grande. Finalmente, se establece un conjunto de datos de imágenes de alta calidad de puntos de recolección de brotes de té para entrenar y probar la red MC-DM. Los resultados experimentales muestran que el MIoU de MC-DM alcanzó el 91.85%, lo que mejoró en un 8.35% en comparación con varios métodos de vanguardia. Las mejoras óptimas de los parámetros del modelo y la velocidad de detección fueron del 89.19% y 16.05 f/s, respectivamente. Después de que los resultados de segmentación de MC-DM se aplicaron a la identificación de los puntos de recolección, la precisión de la identificación de puntos de recolección alcanzó el 82.52%, 90.07% y 84.78% para un solo brote, un brote con una hoja y un brote con dos hojas, respectivamente. Esta investigación proporciona una referencia teórica para la segmentación rápida y la localización visual de brotes de té recolectados automáticamente.