La detección precisa de panículas de arroz en entornos de campo complejos sigue siendo un desafío debido a su pequeño tamaño, distribución densa, diversas direcciones de crecimiento y fácil confusión con el fondo. Para detectar con precisión las panículas de arroz, este estudio propone OE-YOLO, un marco mejorado derivado de YOLOv11, que incorpora tres innovaciones sinérgicas. Primero, las cajas delimitadoras orientadas (OBB) reemplazan a las cajas delimitadoras horizontales (HBB) para capturar con precisión las características de las panículas de arroz en diferentes alturas y etapas de crecimiento. En segundo lugar, la red de fondo se rediseña con EfficientNetV2, aprovechando su estrategia de escalado compuesto para equilibrar la extracción de características a múltiples escalas y la eficiencia computacional. En tercer lugar, se introduce un módulo C3k2_DConv mejorado por convolución dinámica, que permite la fusión de núcleos adaptativa a la entrada para amplificar características discriminativas mientras suprime la interferencia del fondo. Experimentos extensivos en imágenes de vehículos aéreos no tripulados (UAV) de arroz demuestran la superioridad de OE-YOLO, logrando un 86.9% de mAP50 y superando a YOLOv8-obb y YOLOv11 en un 2.8% y un 8.3%, respectivamente, con solo 2.45 M de parámetros y 4.8 GFLOPs. El modelo también ha sido validado a alturas de vuelo de 3 m y 10 m y durante las etapas de espigado y llenado, logrando mejoras de mAP50 del 8.3%, 6.9%, 6.7% y 16.6% en comparación con YOLOv11, respectivamente, demostrando la capacidad de generalización del modelo. Estos avances demostraron que OE-YOLO es una solución computacionalmente económica pero altamente precisa para el monitoreo de cultivos en tiempo real, abordando necesidades críticas en la agricultura de precisión para una detección robusta y orientada bajo restricciones de recursos.