Este estudio presenta un método de detección inteligente basado en vehículos aéreos no tripulados (UAV) que utiliza una arquitectura mejorada de Red Neuronal Convolucional Basada en Regiones Rápidas (Faster R-CNN) para abordar la ineficiencia y la inexactitud inherentes al conteo manual de espigas de trigo. Recopilamos sistemáticamente un conjunto de datos de imágenes de alta resolución (2000 imágenes, 4096 x 3072 píxeles) que cubre las etapas clave de crecimiento (espigado, llenado de granos y madurez) del trigo de invierno (L.) durante 2022-2023 utilizando un DJI M300 RTK equipado con sensores multiespectrales. El conjunto de datos abarca diversos escenarios de campo bajo cinco tratamientos de fertilización (solo orgánico, orgánico-inorgánico en proporciones de 7:3 y 3:7, solo inorgánico y sin fertilizante) y dos regímenes de riego (riego completo y riego deficitario), asegurando representatividad y generalizabilidad. Para el desarrollo del modelo, reemplazamos la VGG16 convencional por ResNet-50 como red base, incorporando conexiones residuales y mecanismos de atención de canal para lograr un 92.1% de precisión media promedio (mAP) mientras reducimos los parámetros de 135 M a 77 M (disminución del 43%). Los GFLOPS del modelo mejorado se han reducido de 1.9 a 1.7, una disminución del 10.53%, y se ha mejorado la eficiencia computacional del modelo. Las pruebas de rendimiento demostraron una reducción del 15% en la tasa de detección fallida en comparación con YOLOv8 en canopies densos, con un análisis de regresión del conteo de espigas que arrojó = 0.88 (< 0.05) frente a las mediciones manuales y errores de predicción de rendimiento por debajo del 10% para tratamientos óptimos. Para validar la robustez, establecimos un conjunto de prueba dedicado de 500 imágenes (25% del total de datos) que abarca gradientes de densidad (30-80 espigas/m) y diversas condiciones de iluminación, manteniendo una precisión superior al 85% incluso bajo condiciones de clima nublado. Además, al integrar el reconocimiento de espigas con parámetros agronómicos (por ejemplo, peso de grano), desarrollamos un modelo integral de estimación de rendimiento que logra un 93.5% de precisión bajo una gestión óptima de agua y fertilizante (riego del 70% ETc con una proporción orgánico-inorgánica de 3:7). Este trabajo aborda sistemáticamente los principales desafíos técnicos en la detección automatizada de espigas a través de la adquisición de datos estandarizada, el diseño de modelos livianos y la validación en campo, ofreciendo un valor práctico significativo para el desarrollo de la agricultura inteligente.