Con el desarrollo de vehículos aéreos no tripulados (UAV), obtener imágenes aéreas de alta resolución se ha vuelto más fácil. Identificar y localizar cultivos específicos a partir de imágenes aéreas es una tarea valiosa. La ubicación y cantidad de cultivos son importantes para las empresas de seguros agrícolas. En este documento, se aborda el problema de localizar cultivos de plántulas de chile en imágenes de UAV de campos extensos. Se encuentran dos problemas en el proceso de localización: un número pequeño de muestras y objetos en imágenes de UAV son similares a pequeña escala, lo que aumenta la dificultad de la localización. Se propone un marco de detección basado en una red prototípica para detectar cultivos en imágenes aéreas de UAV. En particular, se aplica un método de segmentación de subcategorías para resolver el problema, en el que los objetos en imágenes aéreas tienen similitudes a una escala más pequeña. El marco de detección se divide en dos partes: entrenamiento y detección. En el proceso de entrenamiento, las imágenes de cultivos se dividen en subcategorías, y luego estas imágenes de parches de subcategoría y las imágenes de categoría de fondo se utilizan para entrenar la red prototípica. En el proceso de detección, se utiliza un método de segmentación de superpíxeles de agrupación iterativa lineal simple para generar regiones candidatas en la imagen de UAV. El método de localización utiliza una red prototípica para reconocer nueve imágenes de parches extraídas simultáneamente. Para entrenar y evaluar el método propuesto, construimos un conjunto de datos de evaluación recopilando las imágenes de chiles en etapa de plántula por un UAV. Logramos una precisión de ubicación del 96.46%. Este estudio propone un marco de detección de cultivos de plántulas basado en aprendizaje de pocas muestras que no requiere el uso de cajas etiquetadas. Reduce la carga de trabajo de la anotación manual y satisface las necesidades de localización de cultivos de plántulas.