La segmentación y localización son condiciones previas para su cosecha automática. Los grupos de crecimiento pueden presentar desafíos para una localización y segmentación precisas debido a la adhesión y superposición. En esta investigación se presenta un sistema de costura de imágenes de bajo costo, que utiliza un método rápido de costura con corrección de disparidad para producir imágenes de fusión dual panorámicas de alta precisión. Se sugiere una técnica mejorada llamada Modelos en Tiempo Real para Detección de Objetos y Segmentación de Instancias (RTMDet-Ins). Este enfoque utiliza el mecanismo de atención global del Módulo de Atención SimAM (SimAM) y el módulo de fusión de características liviano Red de Pirámide de Características Asimétricas Progresivas de Espacio a Profundidad (SPD-PAFPN) para mejorar las capacidades de detección de . Aborda eficientemente los desafíos relacionados con la segmentación intrincada y la localización inexacta en obstáculos complejos y escenarios de adhesión. La tecnología ha sido verificada con 96 conjuntos de datos recopilados en una plataforma de robot de cosecha totalmente automática diseñada por sí misma. El análisis estadístico muestra que el error mundial de costura es inferior a 2 mm en un área de 1200 mm x 400 mm. El método de segmentación demuestra una precisión general del 98.64%. El error de posicionamiento medio plano es meramente 0.31%. El método promovido en esta investigación demuestra una mayor precisión de segmentación y localización en un entorno de cosecha desafiante, lo que permite una cosecha autónoma eficiente de .