La segmentación de coronas es un proceso fundamental en la adquisición de parámetros de árboles. A la luz de los altos gastos asociados con la teledetección satelital y las tecnologías LiDAR, nuestro estudio aprovecha la tecnología de teledetección remota con UAV, rentable y eficiente, para capturar imágenes de coronas. Además, considerando el gasto y la sensibilidad asociados con la etiquetación de datos para el aprendizaje supervisado y sus implicaciones en la generalización del modelo y la calidad de la etiqueta, este artículo introduce un innovador marco de aprendizaje no supervisado basado en redes neuronales convolucionales (CNN). Para abordar el campo receptivo limitado de CNN, hemos introducido un nuevo módulo de atención híbrido después de cada módulo de CNN. Esta mejora asegura la integridad de los resultados de segmentación y la coherencia de los límites. Además, en respuesta a la creciente necesidad de interacción del usuario, hemos incorporado una función de interacción de garabatos. A través de la segmentación semántica de las imágenes de coronas recopiladas, nuestro método propuesto logra resultados notables, alcanzando una precisión del 98.15%, un puntaje F1 del 97.01% y un mIoU del 95.58%. Además, hemos realizado un análisis comparativo de nuestro método propuesto con dos algoritmos de agrupamiento, a saber, K-Means y GMM, y dos modelos de CNN, DeepLab y U-Net. Los resultados revelan que nuestras estructuras de segmentación superan significativamente a otros métodos. Los hallazgos experimentales demuestran el inmenso potencial de aplicación de este método en diversos campos, incluyendo la gestión forestal, la protección ambiental y el monitoreo de ecosistemas.