La segmentación y posicionamiento de los brotes de té son la base para que los robots de recolección de té recojan los brotes de té con precisión. Se recopilaron imágenes de té en un entorno complejo y se realizó un filtrado mediano para obtener imágenes de brotes de té con bordes suaves. Se seleccionaron cuatro algoritmos de segmentación semántica, U-Net, red de alta resolución (HRNet_W18), red rápida de segmentación semántica (Fast-SCNN) y Deeplabv3+, para procesar las imágenes. Se calcularon el centroide de los brotes de té y el centro de la imagen del rectángulo externo mínimo. Se extrajo el punto más lejano al centroide de la orientación del tallo de té, que fue el punto de recolección final para los brotes de té. Los resultados experimentales mostraron que la intersección media sobre la unión () de HRNet_W18 fue de 0,81, y para un núcleo con un tamaño de filtro mediano de 3 x 3, la proporción de brotes de té anormales fue solo del 11,6%. La precisión promedio de predicción de los puntos de recolección con diferentes orientaciones de tallo de té fue del 57%. Este estudio propuso un método de segmentación de brotes de té fresco y ubicación de puntos de recolección basado en un modelo de red de alta resolución. Además, la plataforma en la nube se puede utilizar para compartir datos y calcular en tiempo real las coordenadas de los brotes de té, reduciendo la carga computacional de los robots recolectores.