El uso de drones en diversas aplicaciones ha aumentado, y su popularidad entre el público en general ha crecido. Como resultado, la posibilidad de su mal uso y su intrusión no autorizada en lugares importantes como aeropuertos y plantas de energía está aumentando, amenazando la seguridad pública. Por esta razón, el reconocimiento preciso y rápido de sus tipos es muy importante para prevenir su mal uso y los problemas de seguridad causados por el acceso no autorizado a ellos. Realizar esta operación en imágenes visibles siempre está asociado con desafíos, como el pequeño tamaño del drone, la confusión con aves, la presencia de áreas ocultas y fondos concurridos. En este documento, se presenta una técnica novedosa y precisa con un cambio en la red YOLOv4 para reconocer cuatro tipos de drones (multirrotores, ala fija, helicópteros y VTOL) y distinguirlos de las aves utilizando un conjunto de 26,000 imágenes visibles. En esta red, se extrajeron características semánticas más precisas y detalladas al cambiar el número de capas convolucionales. También se evaluó el rendimiento de la red YOLOv4 básica en el mismo conjunto de datos, y el modelo propuesto tuvo un mejor desempeño que la red básica al resolver los desafíos. En comparación con la red YOLOv4 básica, el modelo propuesto ofrece un mejor rendimiento en la resolución de desafíos. Además, puede realizar reconocimiento automatizado basado en visión con una pérdida de 0.58 en la fase de entrenamiento y un 83% de puntuación F1, 83% de precisión, 83% de media de precisión promedio (mAP) y 84% de intersección sobre unión (IoU) en la fase de prueba. Estos resultados representan una ligera mejora del 4% en estos criterios de evaluación sobre el modelo básico de YOLOv4.