Para permitir que las espigas de avena sean identificadas de manera rápida y precisa en el entorno natural, este artículo propone un modelo de detección y conteo de espigas de avena basado en un Faster R-CNN mejorado. En la red de base, la red neuronal convolucional única comúnmente utilizada es reemplazada por una red neuronal convolucional paralela para realizar la extracción de características de las espigas de avena, y se incorpora una red de pirámide de características (FPN) para mejorar el problema de detección de objetivos pequeños perdidos y el problema de múltiples escalas de las espigas de avena. Luego, la configuración de cuadros de anclaje se optimiza de acuerdo con el tamaño y la distribución de las cajas etiquetadas en el conjunto de datos, lo que mejora la eficiencia del modelo para detectar espigas de avena. Finalmente, se utilizó la supresión progresiva de no máximos (Progressive-NMS) para reemplazar la supresión de no máximos (NMS) y optimizar el proceso de selección de cajas de predicción. Según los datos de diferentes experimentos diseñados, el modelo optimizado puede detectar eficazmente las espigas de avena en el entorno natural y completar el conteo de espigas de avena por unidad de área. En comparación con el modelo de detección tradicional Faster R-CNN, la precisión promedio media (mAP) del modelo mejorado se incrementa en un 13.01%, lo que podría proporcionar una referencia para la predicción del rendimiento de avena y la operación inteligente.