La agricultura de precisión (AP) ha avanzado las prácticas agrícolas, ofreciendo nuevas oportunidades para la gestión de cultivos y la optimización del rendimiento. El uso de vehículos aéreos no tripulados (VANT) en la AP permite la adquisición de datos de alta resolución, que ha sido adoptada en diferentes sectores agrícolas. Sin embargo, su aplicación para el apoyo a la toma de decisiones en plantaciones de castaños sigue estando subrepresentada. Este estudio presenta el desarrollo inicial de una metodología para segmentar las cápsulas de castaño a partir de imágenes basadas en VANT para estimar su productividad en datos de nubes de puntos. Se emplearon arquitecturas de aprendizaje profundo (AP), incluyendo U-Net, LinkNet y PSPNet, para la segmentación de cápsulas de castaño en imágenes de VANT capturadas a una altura de vuelo de 30 m, con YOLOv8m entrenado para comparación. Se utilizaron dos conjuntos de datos para entrenar y evaluar los modelos: uno recién introducido en este estudio y un conjunto de datos existente. U-Net demostró el mejor rendimiento, logrando un F1-score de 0.56 y una precisión de conteo de 0.71 en el conjunto de datos propuesto, utilizando una combinación de ambos conjuntos de datos durante el entrenamiento. El principal desafío encontrado fue que las cápsulas tienden a crecer a menudo en grupos, lo que lleva a regiones unificadas en la segmentación, haciendo que la detección de objetos sea potencialmente más adecuada para el conteo. Sin embargo, los resultados muestran que las arquitecturas de AP pueden generar máscaras para la segmentación de nubes de puntos, apoyando la estimación precisa de la producción de castaños en estudios futuros.