Razonablemente formular la secuencia de recolección de fresas puede mejorar la calidad de las fresas cosechadas y reducir la descomposición de las fresas. La información de crecimiento basada en el procesamiento de imágenes de drones puede ayudar en la recolección de fresas, sin embargo, sigue siendo un desafío desarrollar un método confiable para la identificación de objetos en imágenes de drones. Este estudio propuso un método de aprendizaje profundo, que incluye un modelo YOLOv8 mejorado y un nuevo marco de procesamiento de imágenes, que podría identificar de manera precisa y exhaustiva fresas maduras, fresas inmaduras y flores de fresa en imágenes de drones. El modelo YOLOv8 mejorado utilizó el bloque de atención de shuffle y el bloque VoV-GSCSP para mejorar la precisión de identificación y la velocidad de detección. Se utilizó la segmentación de regiones basada en la estabilidad ambiental para extraer el área de la planta de fresa (incluidos frutos, tallos y hojas). Se utilizó la extracción de bordes y la detección de picos para estimar el número de plantas de fresa. Basándose en el número de plantas de fresa y la distribución de fresas maduras, trazamos un gráfico de crecimiento de fresas (reflejando la urgencia de la recolección en diferentes regiones). El experimento mostró que el modelo YOLOv8 mejorado demostró una precisión promedio del 82.50% en la identificación de fresas inmaduras, 87.40% para las maduras y 82.90% para las flores de fresa en imágenes de drones. El modelo exhibió una velocidad de detección promedio de 6.2 ms y un tamaño de modelo de 20.1 MB. La nueva técnica de procesamiento de imágenes propuesta estimó el número de plantas de fresa en un total de 100 imágenes. El sesgo del error para las imágenes capturadas a una altura de 2 m es de 1.1200 y el rmse es de 1.3565; el sesgo del error para las imágenes capturadas a una altura de 3 m es de 2.8400 y el rmse es de 3.0199. La evaluación de las prioridades de recolección para varias regiones del campo de fresas en este estudio arrojó una precisión promedio del 80.53%, basada en las proporcionadas por 10 expertos. Al capturar imágenes a lo largo de todo el ciclo de crecimiento, podemos calcular el índice de cosecha para diferentes regiones. Esto significa que los agricultores no solo pueden obtener información general sobre la madurez de las fresas en diferentes regiones, sino también ajustar estrategias agrícolas en función del índice de cosecha para mejorar tanto la cantidad como la calidad de la cosecha de fresas, así como planificar la secuencia de recolección para obtener rendimientos de fresas de alta calidad.