Uno de los factores importantes que afectan negativamente el rendimiento de los cultivos en hileras son las infestaciones de malezas. El uso de métodos de detección sin contacto permite una evaluación rápida de la extensión de las infestaciones de malezas y decisiones de manejo para un control práctico de malezas. Este estudio tiene como objetivo desarrollar y demostrar una metodología para la detección temprana y evaluación de infestaciones de malezas en maíz utilizando imágenes RGB basadas en UAV y clasificación de aprendizaje profundo basada en píxeles. Se realizó un estudio experimental para determinar la extensión de las infestaciones de malezas en dos tecnologías de labranza, arado y subsolado, adaptadas a las condiciones específicas de suelo y climáticas del sur de Dobruja. Basado en un estudio experimental con el algoritmo de clasificación DeepLabV3, se encontró que el modelo respaldado por ResNet-34 asegura el mejor rendimiento en comparación con diferentes versiones de ResNet, DenseNet y VGG. El rendimiento alcanzado fue de precisión, recall, puntaje F1 y Kappa, respectivamente, 0,986, 0,986, 0,986 y 0,957. Después de aplicar el modelo en el campo con las tecnologías de labranza investigadas, se encontró que se observa un mayor nivel de infestación de malezas en las áreas de profundización del subsuelo, donde el 4,6% del área está infestada, en comparación con el 0,97% con el tratamiento de arado. Este trabajo aporta nuevos conocimientos sobre el manejo de malezas durante las etapas críticas de crecimiento temprano del maíz, proporcionando un marco robusto para optimizar estrategias de control de malezas en esta región.