En el sistema de visión de robots recolectores de manzanas, el principal desafío es identificar rápidamente y con precisión los objetivos de manzanas con variaciones de halación y sombras en sus superficies. Para resolver este problema, este estudio propone una novedosa técnica de segmentación de imágenes de manzanas basada en parches y con múltiples características, utilizando el espacio de color rojo-verde-azul (RGB) centrado en gris. El método desarrollado presenta un proceso de selección de múltiples características, que elimina el efecto de halación y sombras en las imágenes de manzanas. Al explorar todas las características de la imagen, incluyendo halación y sombras, en el espacio de color RGB centrado en gris, el algoritmo propuesto, que es una generalización del algoritmo de agrupamiento K-means, proporciona un resultado eficiente de segmentación de objetivos. El método propuesto se probó en 240 imágenes de manzanas. Ofreció una tasa de precisión promedio del 98.79%, una tasa de recuperación del 99.91%, una medida F1 del 99.35%, una tasa de falsos positivos del 0.04% y una tasa de falsos negativos del 1.18%. En comparación con los métodos de segmentación clásicos y algoritmos de agrupamiento convencionales, así como los populares algoritmos de segmentación de aprendizaje profundo, el método propuesto puede funcionar con alta eficiencia y precisión para guiar la recolección robótica.