Instance Segmentation for Automated Pineapple Counting

Abstract

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.