La identificación de los números de plántulas está directamente relacionada con la adquisición de información de plántulas, como la tasa de supervivencia y la tasa de emergencia. Afecta indirectamente la eficiencia de detección y la evaluación del rendimiento. Los métodos de conteo manual son laboriosos y consumen mucho tiempo, y la precisión no es alta en entornos complejos o de alta densidad. Es un desafío lograr resultados mejorados utilizando métodos tradicionales de detección de objetivos y métodos mejorados. Por lo tanto, este documento adoptó el método de estimación de densidad y mejoró la red de conteo de densidad de población para obtener la red de conteo de plántulas de colza llamada BCNet. BCNet utiliza módulos de atención espacial y de canal y mejora la información de características y la concatenación para mejorar la expresividad de todo el mapa de características. Además, BCNet utiliza una capa convolucional 1 x 1 para extracción de características adicionales e introduce la función torch.abs en el puerto de salida de la red. En este estudio, se realizaron experimentos de distribución y predicción de plántulas. Los resultados indican que BCNet muestra el menor error de conteo en comparación con CSRNet y el algoritmo bayesiano. El MAE y el MSE alcanzan 3.40 y 4.99, respectivamente, con la mayor precisión de conteo. El experimento de distribución y la predicción de plántulas mostraron que, en comparación con otros mapas de densidad, los puntos de respuesta de densidad correspondientes a las características de la región de plántulas eran más prominentes. El número predicho por el algoritmo BCNet se acercaba más al número real, verificando la viabilidad del método mejorado. Esto podría proporcionar una referencia para la identificación y el conteo de plántulas de colza.