El cambio climático global en aumento impacta significativamente el rendimiento y la calidad del maíz, un cultivo básico vital en todo el mundo, especialmente durante las sequías en la etapa de plántula. Los métodos de detección tradicionales están limitados por su enfoque de un solo escenario, requieren una gran cantidad de mano de obra y tiempo, y carecen de precisión en el monitoreo en tiempo real y la evaluación precisa de la severidad de la sequía. En este estudio, se propone un nuevo método de detección temprana de sequías para el maíz basado en imágenes de vehículos aéreos no tripulados (UAV) y Yolov8+. En la sección Backbone, se adopta el módulo C2F-Conv para reducir los parámetros del modelo y los costos de implementación, incorporando el módulo de mecanismo de atención CA para capturar de manera efectiva la información de características pequeñas en las imágenes. La sección Neck utiliza la arquitectura de fusión BiFPN y el mecanismo de atención espacial para mejorar la capacidad del modelo para reconocer objetivos pequeños y ocultos. La sección Head introduce una salida adicional de 10 x 10, integra funciones de pérdida y mejora la precisión en un 1.46%, reduce el tiempo de entrenamiento en un 30.2% y mejora la robustez. Los resultados experimentales demuestran que el modelo Yolov8+ mejorado logra tasas de precisión y recuperación de aproximadamente 90.6% y 88.7%, respectivamente. El mAP@50 y mAP@50:95 alcanzan 89.16% y 71.14%, respectivamente, representando aumentos respectivos de 3.9% y 3.3% en comparación con el Yolov8 original. La velocidad de detección de imágenes UAV del modelo es de hasta 24.63 ms, con un tamaño de modelo de 13.76 MB, optimizado en un 31.6% y 28.8% en comparación con el modelo original, respectivamente. En comparación con los modelos Yolov8, Yolov7 y Yolo5s, el método propuesto exhibe diferentes grados de superioridad en mAP@50, mAP@50:95 y otras métricas, utilizando imágenes de drones y técnicas de aprendizaje profundo para impulsar verdaderamente la modernización agrícola.