La agricultura de precisión busca optimizar los rendimientos de los cultivos mientras minimiza el uso de recursos. Un desafío clave es lograr una pulverización uniforme de pesticidas para prevenir daños en los cultivos y la contaminación ambiental. El papel sensible al agua (WSP) es una herramienta común utilizada para evaluar la calidad de la pulverización, ya que registra visualmente los impactos de las gotas a través de un cambio de color. Este trabajo presenta una solución basada en teléfonos inteligentes para capturar imágenes de WSP dentro de la vegetación, ofreciendo una herramienta para que los agricultores evalúen la calidad de la pulverización en condiciones del mundo real. Para lograr esto, se exploraron dos enfoques: técnicas clásicas de visión por computadora y modelos de aprendizaje automático (ML) (YOLOv8, Mask-RCNN y Cellpose). Para abordar los desafíos de datos limitados del mundo real y la complejidad de la anotación manual, se empleó un conjunto de datos sintéticos generado programáticamente para permitir el aprendizaje por transferencia de sim a real. Para la tarea de segmentación de WSP dentro de la vegetación, YOLOv8 logró un promedio de Intersección sobre Unión del 97,76%. En la tarea de detección de gotas, que implica identificar gotas individuales en WSP, Cellpose logró la mayor precisión del 96,18%, en presencia de gotas superpuestas. Si bien las técnicas clásicas de visión por computadora proporcionaron una línea de base confiable, tuvieron dificultades con casos complejos. Además, los modelos de ML, particularmente Cellpose, demostraron una detección precisa de gotas incluso sin ajustes finos.