La producción de piña en Costa Rica requiere una planificación precisa desde la etapa de floración, ya que esta determina el volumen de cosecha meses antes de la recolección. Sin embargo, actualmente el conteo se realiza de forma manual, lo que implica altos costos, consumo de tiempo y riesgo de errores, especialmente en plantaciones extensas y de alta densidad.

Este proyecto desarrolla una solución basada en Mask R-CNN y visión por computadora que permite detectar, segmentar y contar automáticamente flores de piña a partir de imágenes aéreas capturadas por drones.

El sistema fue entrenado con un dataset propio de 288 imágenes de alta resolución (5472×3648 px), recolectadas en condiciones reales en plantaciones de San Carlos, Costa Rica. Además, se diseñó un pipeline especializado de aumento de datos para manejar desafíos como oclusión entre plantas, variaciones de iluminación y alta densidad del cultivo.

El modelo alcanzó un 99.2% de Precisión y 90% de F1-Score, demostrando su capacidad para operar en entornos agrícolas reales. Esta tecnología permite generar estimaciones confiables de densidad de floración con un margen aproximado de ±10%, suficiente para mejorar la planificación de cosecha, logística y exportación.