La adquisición precisa de información de filamentos de cártamo es el requisito previo para las operaciones de recolección robótica. Para detectar con precisión los filamentos de cártamo en diferentes iluminaciones, ramas y hojas de ocultación, y condiciones climáticas, se propuso un modelo mejorado de Faster R-CNN para filamentos. Debido a las características de los filamentos de cártamo que son densos y pequeños en las imágenes de cártamo, el modelo seleccionó ResNeSt-101 con una estructura de red residual como la red de extracción de características de la columna vertebral para mejorar el poder expresivo de las características extraídas. Luego, utilizando Region of Interest (ROI) Align mejoró ROI Pooling para reducir los errores de características causados por la doble cuantificación. Además, se eligió emplear el agrupamiento de alrededor de medoides (PAM) para optimizar la escala y el número de anclajes iniciales de la red para mejorar la precisión de detección de filamentos de cártamo de tamaño pequeño. Los resultados de las pruebas mostraron que la Precisión Promedio Media (mAP) del Faster R-CNN mejorado alcanzó el 91.49%. Comparando con Faster R-CNN, YOLOv3, YOLOv4, YOLOv5 y YOLOv6, el Faster R-CNN mejorado aumentó el mAP en un 9.52%, 2.49%, 5.95%, 3.56% y 1.47%, respectivamente. El mAP de la detección de filamentos de cártamo fue superior al 91% en días soleados, nublados y cubiertos, a la luz del sol, contraluz, ocultación de ramas y hojas, y ocultación densa. El Faster R-CNN mejorado puede realizar de manera precisa la detección de filamentos de cártamo en entornos naturales. Puede proporcionar soporte técnico para el reconocimiento de cultivos de tamaño pequeño.