Resumen:
Este artículo presenta un enfoque innovador de segmentación por instancias para el conteo automatizado de flores de piña mediante imágenes capturadas con drones. La metodología propuesta utiliza Mask R-CNN entrenado con un conjunto de datos personalizado obtenido en plantaciones de piña de Costa Rica, con el fin de mejorar la estimación del rendimiento y la planificación logística de la cosecha. La innovación del trabajo se fundamenta en tres contribuciones principales: (1) la creación de un conjunto de datos propio recopilado en condiciones agrícolas reales, (2) el desarrollo de un script en Python para convertir cuadros delimitadores (*bounding boxes*) en máscaras poligonales para segmentación por instancias y (3) la implementación de un robusto proceso de aumento de datos (*data augmentation*) adaptado a imágenes de cultivos de alta densidad. Los resultados experimentales muestran que el modelo con mejor desempeño (V4) alcanzó una precisión (*Precision*) del 99,2 %, una exhaustividad (*Recall*) del 82,3 %, una puntuación F1 del 90,0 % y una exactitud (*Accuracy*) del 82,3 %, demostrando un rendimiento sólido incluso bajo condiciones de iluminación variable y oclusión. Estos hallazgos evidencian la viabilidad de integrar técnicas de visión por computadora en aplicaciones agrícolas prácticas, reduciendo el trabajo manual y mejorando la planificación logística. Como trabajo futuro, se propone explorar modelos ensamblados (Mask R-CNN + YOLOv8), adaptar arquitecturas Segment Anything (SAM) y ampliar el conjunto de datos para incluir diversas condiciones climáticas y etapas de crecimiento.
