Resumen

El conteo manual de frutos es una de las tareas más costosas en la estimación de rendimiento agrícola: consume tiempo, depende del criterio del operario y rara vez se realiza sobre la totalidad del huerto. Este trabajo propone un modelo de visión artificial capaz de detectar y contar naranjas de forma automática a partir de imágenes aéreas capturadas mediante drones.

---

Contexto

En la región productora de cítricos del norte del Perú, la estimación de cosecha se realiza tradicionalmente mediante muestreo manual: se cuentan los frutos de algunos árboles representativos y se extrapola el resultado al resto de la parcela. Este procedimiento introduce errores significativos cuando la distribución de la producción no es homogénea.

Las principales limitaciones identificadas son:

• Alta variabilidad entre operarios que realizan el conteo.
• Muestreo reducido frente al tamaño real del huerto.
• Dificultad para repetir la medición a lo largo de la campaña.
• Escasa trazabilidad de los datos recolectados.

---

Metodología

Adquisición de datos

Se construyó un conjunto de 1 200 imágenes aéreas capturadas a 15 metros de altura sobre parcelas de naranja Valencia, en tres momentos distintos del ciclo productivo y bajo condiciones de iluminación variables.

Anotación

Las imágenes fueron etiquetadas manualmente mediante cajas delimitadoras sobre cada fruto visible, generando un total aproximado de 38 000 instancias anotadas.

Modelo

Se entrenó una arquitectura de detección de objetos de una sola etapa, seleccionada por su equilibrio entre precisión y velocidad de inferencia. El conjunto se dividió en 70 % entrenamiento, 15 % validación y 15 % prueba.

Métricas

El desempeño se evaluó mediante precisión, exhaustividad, F1 y error porcentual absoluto medio del conteo respecto al conteo manual de referencia.

---

Resultados

Los resultados obtenidos sobre el conjunto de prueba fueron los siguientes:

Métrica	Valor
Precisión	0.91
Exhaustividad	0.87
F1	0.89
Error de conteo	6.4 %

El modelo mantiene un desempeño estable bajo iluminación uniforme. El error se incrementa de forma apreciable en zonas de sombra densa y en frutos parcialmente ocluidos por el follaje, que constituyen la principal fuente de falsos negativos.

---

Discusión

Los resultados sugieren que la estimación automática de rendimiento mediante imágenes aéreas es viable a nivel de parcela, con un margen de error inferior al del muestreo manual extrapolado. Sin embargo, la oclusión por follaje sigue siendo el factor limitante: los frutos ubicados en el interior de la copa no son visibles desde una toma cenital.

Una línea de mejora consiste en combinar tomas cenitales con tomas laterales para reconstruir una estimación volumétrica del árbol, en lugar de depender de una única perspectiva.

---

Conclusiones

• El modelo alcanza un F1 de 0.89 en la detección de naranjas sobre imágenes aéreas.
• El error de conteo del 6.4 % resulta competitivo frente al muestreo manual tradicional.
• La oclusión por follaje concentra la mayor parte del error residual.
• El enfoque es extensible a otros cultivos de fruto visible con un reetiquetado del conjunto de datos.

---

Trabajo futuro

• Ampliar el conjunto de datos a otras variedades de cítricos.
• Incorporar tomas multiángulo para reducir el efecto de la oclusión.
• Evaluar la inferencia embarcada en el propio dron para obtener resultados en campo.
• Integrar las estimaciones en una plataforma de planificación de cosecha.