Entre los desafíos planteados por los entornos de huertos reales, donde los delgados tallos de frutas de ciruela exhiben posturas variables y comparten una coloración similar con las hojas y ramas circundantes, la importante oscuridad causada por las hojas conduce a una segmentación inexacta de los tallos de frutas, complicando así la localización precisa de los puntos de recolección y otros problemas relacionados. Este documento propone un método para el reconocimiento de los tallos de frutas de ciruela y la localización de los puntos de recolección basado en el modelo mejorado DeepLabv3+. En primer lugar, utiliza la red de extracción de características MobileNetv2 como base ligera. En segundo lugar, se integra el Módulo de Atención de Bloque Convolucional (CBAM) en el decodificador para mejorar la capacidad del modelo de extraer características clave de los tallos de frutas. Además, se utiliza el agrupamiento piramidal espacial atrous denso (DenseASPP) para reemplazar el módulo ASPP original, reduciendo así las fugas de segmentación. Finalmente, se diseña un método de localización de puntos de recolección basado en un algoritmo de refinamiento y un algoritmo de detección de extremos para satisfacer las demandas específicas de recolección de ciruelas nuevas, identificando los extremos a lo largo de la línea esquelética de los tallos de frutas como los puntos de recolección óptimos. Los resultados experimentales demuestran que la intersección media sobre la unión (MIoU) y la precisión media de píxeles (MPA) del modelo mejorado DeepLabv3+ son del 86.13% y 92.92%, respectivamente, con un tamaño de modelo de solo 59.6 MB. En comparación con PSPNet, U-Net y el modelo original DeepLabv3+, la MIoU mejora en 13.78, 0.34 y 1.31 puntos porcentuales, mientras que la MPA muestra mejoras de 15.35, 1.72 y 1.38 puntos porcentuales, respectivamente. Especialmente, con el extremo de la estructura esquelética del tallo de la fruta designado como punto de recolección para ciruelas nuevas, la tasa de éxito de la localización alcanza el 88.8%, cumpliendo así con los requisitos de segmentación precisa y localización de puntos de recolección en entornos de huertos reales. Además, este avance ofrece un importante apoyo técnico para la investigación y desarrollo de robots de cosecha de ciruelas nuevas.