En entornos de campo complejos, el trigo crece densamente con órganos superpuestos y diferentes pesos de planta. Es difícil predecir con precisión la cantidad de alimento para la cosechadora de trigo utilizando los YOLOv5s existentes y el peso uniforme de una sola planta de trigo en todo el campo. Este documento propone un método de predicción de cantidad de alimento basado en los YOLOv5s mejorados y el peso de una sola planta de trigo sin rastrojo. Los YOLOv5s mejorados optimizan el Backbone con bases compactas para mejorar la detección de espigas de trigo y reducir la redundancia computacional. El Neck incorpora un módulo residual jerárquico para mejorar la representación de características multinivel de los YOLOv5s. La Head mejora la precisión de detección de pequeñas y densas espigas de trigo en un campo de visión amplio. Además, la altura de una sola planta de trigo sin rastrojo se estima mediante la distribución de profundidad de la región de espiga de trigo y la altura del rastrojo. El modelo de relación entre la altura y el peso de una sola planta de trigo sin rastrojo se ajusta mediante experimentos. Luego, la cantidad de alimento se puede predecir utilizando el peso de una sola planta de trigo sin rastrojo estimado por el modelo de relación y el número de plantas de trigo detectadas por los YOLOv5s mejorados. El método propuesto se verificó a través de experimentos con la cosechadora combinada 4LZ-6A. En comparación con los YOLOv5s existentes, YOLOv7, SSD, Faster R-CNN y otras mejoras en este documento, el mAP de detección de espigas de trigo por los YOLOv5s mejorados aumentó en más del 6.8%. Logró un error relativo promedio del 4.19% con un tiempo de predicción de 1.34 s. El método propuesto puede predecir de manera precisa y rápida la cantidad de alimento para las cosechadoras de trigo y además realizar el control en bucle cerrado de operaciones de cosecha inteligentes.