Los criadores de soja deben desarrollar variedades tempranas, estándar y tardías para plantar en diferentes latitudes y asegurar que las plantas de soja utilicen completamente la radiación solar. Por lo tanto, el monitoreo oportuno de la madurez de las líneas de cría de soja es crucial para la gestión de la cosecha de soja y la medición del rendimiento. Actualmente, los modelos de aprendizaje profundo ampliamente utilizados se centran más en extraer características de imagen profundas, mientras que se ignora la información de características de imagen superficiales. En este estudio, diseñamos una nueva arquitectura de red neuronal convolucional (CNN), llamada DS-SoybeanNet, para mejorar el rendimiento del monitoreo de la información de madurez de la soja basado en vehículos aéreos no tripulados (UAV). DS-SoybeanNet puede extraer y utilizar características de imagen tanto superficiales como profundas. Utilizamos una cámara digital de alta definición a bordo de un UAV para recolectar imágenes digitales de dosel de soja de alta definición. Se obtuvieron un total de 2662 imágenes digitales de dosel de soja de dos campos de cría de soja (campos F1 y F2). Comparamos las precisión de clasificación de madurez de soja de (i) métodos de aprendizaje automático convencionales (máquina de vectores de soporte (SVM) y bosque aleatorio (RF)), (ii) métodos de aprendizaje profundo actuales (InceptionResNetV2, MobileNetV2 y ResNet50), y (iii) nuestro método propuesto DS-SoybeanNet. Nuestros resultados muestran lo siguiente: (1) Los métodos de aprendizaje automático convencionales (SVM y RF) tuvieron tiempos de cálculo más rápidos que los métodos de aprendizaje profundo (InceptionResNetV2, MobileNetV2 y ResNet50) y nuestro método propuesto DS-SoybeanNet. Por ejemplo, la velocidad de cálculo de RF fue de 0.03 s por cada 1000 imágenes. Sin embargo, los métodos de aprendizaje automático convencionales tuvieron precisión general más baja (campo F2: 63.37-65.38%) que el propuesto DS-SoybeanNet (Campo F2: 86.26%). (2) El rendimiento de los métodos de aprendizaje profundo actuales y los métodos de aprendizaje automático convencionales disminuyeron notablemente al ser probados en un nuevo conjunto de datos. Por ejemplo, las precisiones generales de MobileNetV2 para los campos F1 y F2 fueron del 97.52% y 52.75%, respectivamente. (3) El modelo propuesto DS-SoybeanNet puede proporcionar resultados de clasificación de madurez de soja de alto rendimiento. Mostró una velocidad de cálculo de 11.770 s por cada 1000 imágenes y precisiones generales para los campos F1 y F2 del 99.19% y 86.26%, respectivamente.