En un huerto no tripulado, diversas tareas como siembra, riego, monitoreo de salud y cosecha de cultivos son realizadas por vehículos no tripulados. Estos vehículos necesitan poder distinguir qué objetos son árboles frutales y cuáles no, en lugar de depender de la orientación humana. Para abordar esta necesidad, este estudio propone un método eficiente y robusto para la detección de árboles frutales en mapas de nubes de puntos de huertos. Se realiza la extracción de características en la nube de puntos 3D para formar un vector de características bidimensional que contiene información tridimensional de la nube de puntos y el árbol objetivo es detectado a través de la red de aprendizaje profundo personalizada. En este estudio se compara el impacto de varios métodos de extracción de características como altura promedio, densidad, PCA, VFH y CVFH en la precisión de detección de la red. Se determina el método de extracción de características más efectivo para la detección de objetos de nube de puntos de árboles. Se introducen el módulo de atención ECA y la estructura piramidal de características EVC en la red YOLOv8. Los resultados experimentales muestran que la red de aprendizaje profundo mejora la precisión, la recuperación y la precisión promedio en 1,5%, 0,9% y 1,2%, respectivamente. El marco propuesto se implementa en huertos no tripulados para pruebas de campo. Los resultados experimentales demuestran que el marco puede identificar con precisión los objetivos de árboles en mapas de nubes de puntos de huertos, cumpliendo con los requisitos para la construcción de mapas semánticos de huertos.