植物各生长阶段器官的准确计数对作物生长监测、表型评估和产量预测至关重要。传统的植物计数模型通常是为特定的植物类型设计的，通常表现出较差的泛化能力。在本研究中，提出了一个改进的模型，Field-CounTR，来精确地计数植物的多个器官。为了提高植物计数的准确性，引入了采用Few-Shot方法的Field-Count数据集。此外，开发了混合显著性模块，利用样本图像在Few-Shot计数任务中的高相似性，提高了样本图像的特征融合能力。在降采样过程中，集成了Shuffle Attention，以减少特征融合过程中的冗余信息。在此基础上，开发了Do-Conv与展开卷积相结合的混合卷积模块，通过过参数化和展开运算，提高了卷积推理的速度，扩展了接收野。为了评估所提出方法的有效性，使用田间计数数据集进行了测试，其中包括高粱、小麦、玉米和水稻。结果表明，平均绝对误差（MAE）为14.49，均方根误差（RMSE）为21.14。与CounTR模型相比，Field-CounTR模型的MAE和RMSE分别降低2.01和1.33。增强的Field-CounTR模型具有优异的特征提取性能、较高的检测精度和出色的泛化能力。该模型可以在复杂的田地或果园条件下准确地计数多种植物类型，并提供广泛的应用。

图1  数据集分布和注释示例。

图2  Field-Counter的架构细节。

图3  MSM结构的细节。

图4  Shuffle注意力模块结构。

图5  HCM 结构。

图6  FIM结构图。

图7  添加Field-Count数据集对计数结果的影响。

图8  加入MSM对特征提取的影响。

图9  引入不同注意机制对模型准确性的影响。

图10  Field-CounTR 和CounTR效果比较。

图11  不同计数尺度下的效果比较。

图12  复杂背景下的特征提取性能。

图13  在DeepFruits数据集上的性能。

图14  植物遮阳问题对模型的影响。