Los modelos de detección de fruta publicados en los últimos años reportan coeficientes de determinación de 0,98 en mango, 0,98 en manzana, 0,96 en tomate y 0,95 en cítricos, incluso bajo condiciones de iluminación variable. Con esas cifras dando vueltas desde hace años, casi ninguna finca frutícola de la región estima hoy su cosecha con un modelo, y la mayoría sigue proyectando volumen con el resultado del año pasado ajustado a ojo según cómo se vea el lote. Esa distancia no se explica por falta de tecnología ni por desconfianza del productor; se explica porque esos números se midieron en condiciones que rara vez coinciden con las de un huerto comercial, y porque casi nunca viene escrito cuáles fueron esas condiciones.
Al abrir esta temporada proyectamos que íbamos a recorrer satélites, drones y los modelos que convierten esas imágenes en información utilizable. Los cuatro blogs anteriores resolvieron la parte de las imágenes, qué mide un sensor y dónde miente, cuándo la resolución centimétrica paga, cómo separar una alerta sanitaria de un diagnóstico y cómo convertir un mapa en dosis aplicables. Queda la pieza que le da sentido económico a todo lo anterior, porque la pregunta que un comprador te hace no es cuánto vigor tiene tu lote, es cuántos kilos vas a entregar y cuándo.
Conviene entrar sabiendo qué se puede pedir. La estimación automática de cosecha funciona razonablemente bien para un número agregado de lote poco antes de la recolección, y funciona mal para predecir árbol por árbol con meses de anticipación. Esa frontera es la que este blog quiere dejar clara, porque es exactamente donde se rompen los proyectos que empiezan con entusiasmo y terminan en una carpeta que nadie abre.
Contar fruta no es estimar cosecha, y la diferencia se llama oclusión
Toda la dificultad del problema cabe en una observación banal, la cámara solo ve lo que no está tapado. Un fruto detrás de una hoja, detrás de una rama o detrás de otro fruto no existe para el algoritmo, y en un dosel cerrado esa fracción invisible es enorme. Por eso el conteo directo desde el aire tiene un techo que ninguna mejora de software levanta, y por eso los trabajos que reportan las cifras más espectaculares casi siempre trabajaron desde el suelo, a un metro de la planta y con la cámara apuntando al interior de la copa.
Un estudio reciente lo mide sin adornos. Un equipo levantó nubes de puntos tridimensionales de un huerto completo de manzano con un dron y una cámara RGB de bajo costo, durante dos temporadas, y ajustó modelos de conteo de fruta por bloque. El conteo alcanzó coeficientes de determinación de apenas 0,40 a 0,53, mientras que los métodos equivalentes tomados desde el suelo llegaban a 0,80 y 0,85 en la misma tarea. Los propios autores explican la diferencia, un conjunto de imágenes tomado desde un dron entrega menos resolución espacial y un ángulo peor para obtener información del interior del dosel.
Cuando ese mismo trabajo pasó del conteo de frutos a la estimación de masa cosechada, multiplicando el volumen estimado de la fruta por la densidad media de la variedad, los coeficientes subieron a 0,56 y 0,76 según la altura de vuelo. La lectura práctica muy útil, el modelo estima mejor cuántos kilos hay que cuántos frutos hay, porque los errores de conteo se compensan entre sí cuando se agregan a escala de bloque, mientras que a nivel de árbol individual se suman. Guarda esa idea, porque vuelve dos secciones más adelante cuando hablemos de la cifra que más se cita en este negocio.
El estudio dejó además una advertencia de operación que vale su peso. La última hilera volada en cada campaña entregó coeficientes de 0,00 y 0,03, contra un promedio de 0,52 en las demás hileras, simplemente porque el borde exterior de esa hilera quedó capturado en menos fotografías. Un plan de vuelo mal cerrado no produce un dato un poco peor, produce un dato sin ningún valor en toda una franja del lote.
Los tres caminos para llegar al número, conteo directo, índice de vigor e historial
Existen tres formas de estimar y ninguna gana en todas las ventanas del ciclo, por lo que la decisión correcta casi nunca es elegir una.
El conteo directo por visión artificial es el más intuitivo y el más exigente. Necesita fruta visible y madura o al menos con color diferenciado, lo que en la práctica lo confina a las semanas previas a la recolección, y necesita imagen cercana, lo que en frutales de copa cerrada empuja hacia cámaras montadas en vehículo terrestre o hacia vuelos bajos y oblicuos en lugar de vuelos cenitales. En arándano, un cultivo donde el fruto es pequeño pero la planta es baja y accesible, los desarrollos recientes con arquitecturas de detección en tiempo real reportan detección del 81,7 por ciento de los frutos con exactitud global del 87,2 por ciento, clasificación de madurez correcta el 93 por ciento de las veces y estimación de rendimiento por planta con una coincidencia del 93 por ciento frente al peso real. Ese desempeño es real y es también una pista, la planta baja con follaje que no cierra por completo es la geometría más amable que existe para esta tecnología.
El camino del índice de vigor es indirecto y opera con muchos meses de anticipación. No mide fruta, mide la capacidad fotosintética acumulada del árbol y la traduce a rendimiento esperado mediante una relación estadística construida con tu propio historial. Es el único de los tres que sirve en floración y cuajado, y su punto débil es que esa relación se rompe cuando el clima de la campaña se aparta del patrón con el que se ajustó.
El historial de rendimiento por unidad de manejo es el más viejo, el más barato y el que más se subestima. En muchos lotes el mejor predictor del rendimiento del año entrante es el rendimiento promedio de ese mismo sitio en las campañas anteriores, corregido por carga y por edad, y eso no exige ningún sensor. Las series multianuales de satélite se usan justamente para clasificar la estabilidad productiva de cada sector del lote y separar lo estructural de lo circunstancial.
Lo que la evidencia sugiere es combinarlos por ventana. Historial y vigor para la proyección temprana que sirve para planear mano de obra y comprometer volumen, conteo directo para el ajuste fino de las últimas semanas que sirve para dimensionar transporte y empaque.
Saber el volumen antes de que llegue el comprador
¿Con cuántas semanas de anticipación puedes decir hoy, con un número y no con un rango vago, cuántos kilos vas a sacar de cada lote? En la mayoría de las fincas esa cifra aparece cuando ya está pesada, que es justo cuando deja de servir para negociar, para contratar recolectores o para reservar transporte. Harvis te ayuda a construir esa proyección con lo que ya tienes, cruzando tu historial de cosecha por lote, tus registros de floración y labores, y las observaciones de campo de tu equipo, para que la estimación exista antes de la recolección y para que al cierre puedas comparar lo proyectado contra lo entregado y corregir el método el año entrante. Escríbenos y revisamos con qué datos puedes empezar.
Por qué el modelo del proveedor no llega a tu finca
El problema no es la calidad del algoritmo, es que el algoritmo aprendió a ver una finca que no es la tuya. Las revisiones sobre detección automatizada en cultivos señalan de forma consistente que la limitación central está en la diversidad de los datos de entrenamiento y no en la arquitectura, y que el desempeño reportado en validación rara vez se sostiene al cambiar de ambiente. Variedad, patrón, edad, densidad de siembra, sistema de conducción, intensidad de poda y color del suelo desnudo modifican tanto la apariencia del fruto como la fracción que queda tapada, y ambas cosas entran directo en el resultado.
La oclusión, otra vez, es el mecanismo concreto de ese fracaso. En trabajos sobre detección de racimos con nube de puntos desde dron, los modelos solo superaron un coeficiente de 0,75 cuando se retiraron hojas de ambos lados de la hilera para exponer la fruta, una condición de ensayo que ninguna finca comercial va a reproducir. En arbustos bajos con follaje ralo la detección es confiable, y en plantas altas donde el follaje tapa el fruto la misma técnica pierde eficacia. Tu sistema de poda, entonces, no es un detalle agronómico ajeno a esta conversación, es una de las variables que decide si la tecnología te va a servir.
Queda un tercer factor que casi nadie menciona en la cotización, la luz. La identificación automática de fruta sobre imagen en color enfrenta dificultades bien documentadas con iluminación variable, regiones saturadas, sombras y fondos heterogéneos, y ese efecto es fuerte. Dos vuelos sobre el mismo lote, uno con cielo despejado a las once y otro con nubes intermitentes a las tres, no producen conteos comparables. Como pasaba con el térmico que vimos en la entrega sobre sanidad, la disciplina de captura vale más que la sofisticación del modelo.
Lo que un error de estimación te cuesta en la práctica
Vale la pena poner el error en pesos, porque en abstracto una desviación del veinte por ciento suena tolerable y en la operación no lo es.
Si sobreestimas, contratas recolectores que no vas a ocupar, reservas transporte que va a viajar a media carga, pides empaque que se queda en bodega y, en el peor caso, comprometes con un comprador un volumen que después no puedes entregar, lo que se paga en penalización o en credibilidad. Si subestimas, ocurre lo contrario y suele ser más caro, porque consigues recolectores de urgencia a tarifa de urgencia, la fruta espera en el árbol más días de los que debía y pierdes calidad justo en el punto donde se define el precio. En el estudio de manzano las estimaciones de una de las campañas quedaron sistemáticamente altas, con bloques estimados por encima de 255 kilos cuando la referencia real del huerto iba de 63 a 168 kilos por bloque; un error de esa magnitud aplicado a una finca completa desordena toda la logística de la temporada.
Como ya lo abordamos en nuestro blog Planificación de cosechas, una práctica estratégica para no dejar tu dinero a la suerte, la proyección de volumen y de fecha es lo que permite escalonar la recolección, negociar antes del pico de oferta y dimensionar la cuadrilla con anticipación; una estimación automática solo vale lo que valga la decisión que habilita, y sin un plan de cosecha detrás, el mejor modelo del mundo entrega un número que nadie usa.
Treinta árboles, una báscula y un cuaderno
La forma sensata de entrar no es contratando un servicio de estimación para toda la finca, es construyendo tu propio factor de corrección en una campaña, con un costo casi nulo.
Elige un lote representativo y marca entre treinta y cuarenta árboles que cubran todo el rango de carga, desde varios claramente cargados hasta varios flojos y varios intermedios, y georreferencia cada uno para poder volver. Unas tres o cuatro semanas antes de la recolección haz dos cosas el mismo día. Primero, cuenta la fruta visible de cada árbol marcado desde afuera, con el criterio con que la vería una cámara, y anota ese número. Segundo, si tienes acceso a un vuelo o a fotografía cercana, captúrala en ese mismo momento con cielo estable y en la misma franja horaria.
Al cosechar, pesa por separado la fruta de cada árbol marcado. La relación entre el peso real y el conteo visible es tu factor de corrección local, y va a ser un número mayor que uno porque siempre hay fruta tapada. Ese factor, que ninguna publicación te puede regalar, es lo que convierte un conteo en una estimación. Calcula además cuánto varía entre árboles, porque esa dispersión es la que define el margen honesto que debes reportar cuando alguien te pregunte cuántos kilos vas a entregar.
Repite el ejercicio la campaña siguiente y agrega los árboles que hayan cambiado de carga. Con dos campañas tienes una relación estable y con tres tienes algo que ya soporta una decisión comercial. La misma tabla sirve para auditar cualquier proveedor que llegue después, porque podrás comparar su estimación contra tu peso real en lugar de contra su propia promesa.
Un número con margen vale más que una corazonada redonda
Estimar cosecha con tecnología no consiste en reemplazar tu criterio con un algoritmo, consiste en ponerle un margen explícito a una cifra que hoy manejas sin margen. Cuando dices que vas a sacar cuarenta toneladas estás dando un número sin incertidumbre declarada, y esa falsa precisión es lo que te lleva a comprometer volumen que después no aparece. Un modelo bien montado no te da un número más bonito, te da un rango defendible y una forma de estrecharlo cada año.
Lo que puedes empezar a hacer esta semana cabe en cinco decisiones. Marca treinta árboles con conteo visible y pesaje individual al cosechar, porque tu factor de corrección local es el activo que ningún proveedor te vende. Estima la masa agregada por lote en lugar de perseguir el conteo árbol por árbol, ya que la evidencia muestra que la agregación mejora el resultado y el detalle individual lo empeora. Ante cualquier cifra de precisión que te presenten, pregunta sobre qué unidad se midió, en cuántas fincas, con cuánta anticipación y contra qué peso real. Fija la ventana de captura, cielo estable y la misma franja horaria, porque dos vuelos con luz distinta no son comparables y ese detalle arruina más proyectos que la elección del software. Y guarda cada campaña la pareja de datos, lo que estimaste y lo que entregaste, porque la serie propia es lo único que convierte esto en una herramienta y no en un experimento. El productor que llega a la negociación con un rango construido sobre su propio historial está en una conversación distinta a la del que llega con una cifra redonda que sacó de la memoria.
¿Quieres construir la proyección de cosecha de tu finca con los datos que ya generas? Escríbenos por WhatsApp o agenda una demo y te mostramos cómo Harvis organiza tu historial por lote para que la estimación exista antes de la recolección y no después.
Referencias consultadas
- Deep learning based fruit detection performance across crops, síntesis de resultados en detección automática de fruta. (s.f.). ScienceDirect. https://www.sciencedirect.com/science/article/abs/pii/S0263224124006717
- Fruit Detection and Yield Mass Estimation from a UAV Based RGB Dense Cloud for an Apple Orchard. (2025). Drones, MDPI. https://www.mdpi.com/2504-446X/9/1/60
- YOLO-blueberry detection and classification, a multi-module optimized network for detection, maturity classification and yield estimation. (s.f.). Agronomy Journal, Wiley. https://acsess.onlinelibrary.wiley.com/doi/abs/10.1002/agj2.70343
- Assessment of yield stability patterns using Sentinel-2 over a 7-year period. (2025). Geocarto International, Taylor & Francis. https://www.tandfonline.com/doi/full/10.1080/10106049.2025.2532529
- Autonomous Yield Estimation System for Small Commercial Orchards Using UAV and AI. (2024). ResearchGate. https://www.researchgate.net/publication/386449492AutonomousYieldEstimationSystemforSmallCommercialOrchardsUsingUAVandAI
- A review on automated plant disease detection, motivation, limitations, challenges, and recent advancements. (2025). Springer. https://link.springer.com/article/10.1007/s44443-025-00040-3
- Quantifying Bilberry Counts and Densities, A Comparative Assessment of Segmentation and Object Detection Models from Drone and Camera Imagery. (s.f.). Forests, MDPI. https://doi.org/10.3390/f17020253
- Accurate Crop Yield Estimation of Blueberries using Deep Learning and Smart Drones. (2025). arXiv. https://arxiv.org/abs/2501.02344
- In-field blueberry fruit phenotyping with a MARS-PhenoBot and customized BerryNet. (2025). Computers and Electronics in Agriculture / ScienceDirect. https://www.sciencedirect.com/science/article/abs/pii/S0168169925001632
- Apple Yield Estimation Method Based on CBAM-ECA-Deeplabv3+ Image Segmentation and Multi-Source Feature Fusion. (2025). PMC. https://www.ncbi.nlm.nih.gov/pmc/articles/PMC12116164/
- Deep learning framework for fruit counting and yield mapping in tart cherry using YOLOv8 and YOLO11. (2025). ScienceDirect. https://www.sciencedirect.com/science/article/pii/S2772375525001819
- A fast and efficient approach to estimate wild blueberry yield using machine learning with drone photography, flight altitude, sampling method and model effects. (s.f.). Computers and Electronics in Agriculture. https://dl.acm.org/doi/abs/10.1016/j.compag.2023.108543
- The Evolution of Data-Driven Management Zone Delineation, A Systematic Review. (2026). Sensors, MDPI. https://doi.org/10.3390/s26103249
- Optimizing integration techniques for UAS and satellite image data in precision agriculture, a review. (2025). Frontiers in Remote Sensing. https://www.frontiersin.org/journals/remote-sensing/articles/10.3389/frsen.2025.1622884/full