Abordando el desafío de la reducida robustez del método actual de detección de rutas de cosechadoras en entornos agrícolas afectados por el alojamiento y su percepción limitada del alojamiento de cultivos, este documento propone un método de segmentación de imágenes de operaciones de cosecha basado en la segmentación de superpíxeles SLIC y el algoritmo de aprendizaje de conjuntos AdaBoost. Esta segmentación permite dos tareas esenciales. En primer lugar, se emplea el algoritmo RANSAC para extraer la ruta operativa de la cosechadora a través del ajuste de líneas rectas de la imagen segmentada. En segundo lugar, el método utiliza una nube de puntos 3D generada por visión binocular, combinada con información IMU para corrección de actitud, para estimar la altura del cultivo cosechado frente a la cosechadora. Los resultados experimentales demuestran la efectividad de este método al segmentar con éxito las áreas cosechadas y no cosechadas del terreno agrícola. El error promedio del ángulo para la ruta de cosecha detectada es aproximadamente de 1.97 grados, y el error promedio para la detección de la altura del cultivo en el área no cosechada es de alrededor de 0.054 m. Además, el algoritmo presenta un tiempo total de ejecución de aproximadamente 437 ms. La innovación de este documento radica en su implementación simultánea de dos tareas de percepción distintas, aprovechando los mismos resultados de segmentación de imágenes. Este enfoque ofrece una solución robusta y efectiva para abordar los desafíos de detección de rutas y estimación de la altura de cultivos en entornos agrícolas afectados por el alojamiento durante las operaciones de cosecha.