La hoja es el órgano crucial para la fotosíntesis y la producción de nutrientes en las plantas; como tal, el número de hojas es uno de los principales indicadores con los que describir el desarrollo y crecimiento de un dosel. La forma irregular y distribución de las láminas, así como el efecto de la luz natural, hacen que el proceso de segmentación y detección de las láminas sea difícil. La adquisición inexacta de parámetros fenotípicos de las plantas puede afectar el juicio posterior del estado de crecimiento del cultivo y el rendimiento del mismo. Para abordar el desafío de contar hojas de plantas densas y superpuestas en entornos naturales, propusimos un algoritmo de detección de objetos basado en el aprendizaje profundo mejorado mediante la fusión de un módulo espacio a profundidad, un Módulo de Atención de Bloque Convolucional (CBAM) y un Atrous Spatial Pyramid Pooling (ASPP) en la red, y aplicando la función para mejorar la función de pérdida de predicción de objetos. Evaluamos nuestro método en imágenes de cinco especies de plantas diferentes recopiladas en entornos interiores y exteriores. Los resultados experimentales demostraron que nuestro algoritmo que cuenta hojas densas mejoró la precisión promedio de detección del 85% al 96%. Nuestro algoritmo también mostró un mejor rendimiento tanto en precisión de detección como en consumo de tiempo en comparación con otros algoritmos de detección de objetos de última generación.