Los sistemas de pulverización aérea no tripulados (UASS) se utilizan ampliamente hoy en día para el control efectivo de plagas que afectan los cultivos, y ahora se están desarrollando técnicas de UASS más avanzadas. Para evaluar dichos sistemas, se utilizan típicamente objetivos artificiales para evaluar la cobertura de gotas a través del procesamiento de imágenes. Para evaluar el rendimiento con precisión, es necesario un procesamiento de imágenes binarias de alta calidad; sin embargo, esto implica trabajo para la recolección, transporte y almacenamiento de muestras, así como el riesgo de contaminación potencial durante el proceso. Por lo tanto, la evaluación rápida en el campo es esencial. En el presente estudio, evaluamos la cobertura de gotas en papeles sensibles al agua (WSP) en condiciones de campo. Se construyó un conjunto de datos que consistía en ejemplos de entrenamiento emparejados, cada uno compuesto por datos de origen y de destino. Los datos de origen eran imágenes etiquetadas de alta calidad obtenidas de muestras de WSP a través del procesamiento de imágenes, mientras que los datos de destino eran regiones de interés alineadas dentro de imágenes de campo capturadas in situ. La estimación de la cobertura de gotas se realizó utilizando un modelo de codificador-decodificador, entrenado con las imágenes etiquetadas, con características adaptadas a las imágenes de campo a través del aprendizaje auto-supervisado. Los resultados indican que el método propuesto detectó la cobertura de gotas en imágenes de campo con un error de menos del 5%, demostrando una fuerte correlación entre los valores medidos y estimados (R2 = 0.99). El método propuesto en este artículo permite una evaluación inmediata y precisa del rendimiento de los UASS in situ.