La detección de panojas de arroz es una tecnología clave para mejorar el rendimiento del arroz y los niveles de gestión agrícola. Los métodos tradicionales de conteo manual son intensivos en mano de obra e ineficientes, lo que los hace inadecuados para terrenos agrícolas a gran escala. Este documento propone FRPNet, una novedosa red neuronal convolucional ligera optimizada para la detección de panojas de arroz a diferentes altitudes en imágenes de UAV. La arquitectura integra tres innovaciones principales: un espinazo CSP-ScConv con convoluciones auto-calibradas para una extracción eficiente de características a múltiples escalas; un módulo de Convolución Compartida de Pirámide de Características (FPSC) que reemplaza el agrupamiento con convoluciones dilatadas de múltiples ramas para preservar información espacial detallada; y una Red de Pirámide de Características Bidireccional Dinámica (DynamicBiFPN) que emplea núcleos adaptativos de entrada para optimizar la fusión de características entre diferentes escalas. El modelo fue entrenado y evaluado en el conjunto de datos de Detección de Panojas de Arroz Densa (DRPD) de acceso abierto, que comprende imágenes de UAV capturadas a altitudes de 7 m, 12 m y 20 m. Los resultados experimentales demuestran que nuestro método supera significativamente a los modelos avanzados existentes, logrando un AP50 de 0.8931 y un puntaje F2 de 0.8377 en el conjunto de prueba. Mientras se garantiza la precisión del modelo, los parámetros del modelo propuesto disminuyeron en un 42.87% y los GFLOPs en un 48.95% en comparación con Panicle-AI. Las visualizaciones Grad-CAM revelan que FRPNet muestra una mejor supresión de ruido de fondo en imágenes de altitud de 20 m en comparación con los modelos convencionales. Este trabajo establece una solución equilibrada entre precisión y eficiencia para la fenotipificación de campo basada en UAV.