植物计数在评估播种机效益、评估种子质量、制定农业管理计划和估计作物产量方面发挥着重要作用。鉴于其重要性和获取农业图像的便利性，开发适用于各种农业环境的端到端基于图像的植物计数模型至关重要。提出的TasselNetV2++是用于植物计数的TasselNetV2+的改进版本，在保持现有规范化的同时，对其编码器和计数器进行了显著的增强。在编码器中，本文设计了一个双分支架构，一个分支是定制的YOLOv5s主干，另一个分支是配备了注意机制的原始编码器。正是双分支架构下的分支级迁移学习，结合多层融合，极大地增强了网络在多种场景下的特征提取能力。此外，计数器还通过注意机制得到增强，该机制可以根据平均池化重新校准其对关键空间位置和通道明智特征的关注。实验结果表明，TasselNetV2++在多个计数任务上优于其前身。与TasselNetV2+相比，TasselNetV2++实现了相对均方根误差(rRMSE)的大幅降低。其中，大豆种苗计数数据的rRMSE相对降低33.3%，小麦穗检测数据的rRMSE相对降低8.4%，玉米穗计数数据的rRMSE相对降低28.6%，高粱穗计数数据的rRMSE相对降低18.0%。特别是，消融实验证明了分支级迁移学习在实现精确植物计数中的重要性。分支级迁移学习使大豆幼苗的rRMSE显著降低，分别为31.4%、7.9%、36.5%和2.0%。提出的TasselNetV2++取得了显著的进步，并引入了一种简单而高效的分支级迁移学习策略。

图1  54个大豆品种试验田地理定位及无人机影像分布。

图2  三层NSPH的边界框和虚线标注:(a)和(b)每孔1粒种子;(c)和(d)每孔2粒种子;(e)和(f)代表每孔3粒种子。

图3  TasselNetV2+的架构。

图4  CBAM-TasselNetV2+架构。

图5  yolov5 - counter的体系结构。

图6 BranchCatCount的框架。

图7  TasselNetV2++的框架。

图8  SSC数据集计数结果的可视化。

图9  WED数据集计数结果的可视化。

图10  MTC数据集计数结果的可视化。

图11  SHC数据集计数结果的可视化。

图12  多数据集模式雷达图：(a) SSC数据集不同模式雷达图；(b) ww数据集上不同模式的雷达图；(c) MTC数据集上不同模式的雷达图；(d) SHC数据集上不同模式的雷达图。