El cuello de botella en los programas de mejoramiento de plantas es contar con metodologías de fenotipificación de alto rendimiento y costo-efectivas para describir de manera eficiente las nuevas líneas e híbridos desarrollados. En este artículo, proponemos un enfoque completamente automático para superar no solo la extracción individual de maíz, sino también el desafío de cuantificación de rasgos de componentes estructurales a partir de imágenes de sistemas aéreos no tripulados (UAS). El montaje experimental se llevó a cabo en el Centro de Innovación de Maíz y Soja de Indiana en el Centro de Investigación y Educación en Agronomía (ACRE) en West Lafayette (IN, EE. UU.). El 27 de julio y el 3 de agosto de 2021, se realizaron dos vuelos sobre ensayos de maíz utilizando una plataforma UAS diseñada a medida con un sensor fotogramétrico Sony Alpha ILCE-7R a bordo. Las imágenes RGB se procesaron utilizando un flujo de trabajo fotogramétrico estándar basado en estructura a partir del movimiento (SfM) para obtener una nube de puntos 3D escalada final del campo de estudio. Las plantas individuales se extrajeron, primero, segmentando semánticamente la nube de puntos en suelo y maíz utilizando aprendizaje profundo 3D. En segundo lugar, empleamos un algoritmo de componentes conectados para los end-members de maíz. Finalmente, una vez que las plantas individuales fueron extraídas con precisión, aplicamos de manera robusta un algoritmo de esqueleto basado en Laplaciano para calcular varios rasgos de componentes estructurales de cada planta. Los resultados de rasgos fenotípicos como la altura y el número de hojas muestran un coeficiente de determinación (R2) con mediciones en campo y digitales, respectivamente, superior al 90%. Nuestra prueba revela la viabilidad de extraer varios rasgos fenotípicos de maíz individual utilizando un enfoque de esqueletonización basado en una nube de puntos de imágenes UAS. Como limitación de la metodología propuesta, destacamos que la falta de oclusiones de plantas en las imágenes UAS obtiene una nube de puntos más completa de la planta, lo que proporciona mayor precisión en los rasgos extraídos.