本研究提出了一种新的种子计数流程，利用深度学习算法来促进收获前产量预测的自动化，这是育种过程的关键组成部分。不像现有的方法，往往迎合一个单一的种子物种或那些具有相似的形状，我们的方法能够准确地估计种子的数量在不同的物种范围。该流程包含一个用于种子图像分类的分类网络，以及专门为适应不同种子形态而量身定制的目标检测模型。通过集成种子分类器、三个不同的种子检测器和后处理过滤器，我们的方法不仅展示了卓越的准确性，而且在各种条件下表现出强大的泛化能力。该流程在测试集中的错误率小于2%，在扩展集中的准确率超过97%，为高通量表型和精准农业提供了一种可行而高效的解决方案，有效克服了种子形态多样化带来的挑战。

图1  数据集分布。

图2  带注释的边界框的宽度和高度分布，归一化为[0,1]范围。

图3  数据采集平台。

图4  Grounding DINO生成的注释结果。

图5  种子检测流程。

图6 模型III中通过滑动窗口将原始图像分割成小块的图形。这种方法使我们能够提高小目标检测的精度。

图7  面积比和纵横比滤波前后检测结果的比较。通过过滤操作，可以将识别错误的对象去除。

图8  当使用单一通用模型训练所有种子品种时，混合在玉米中的小杂质可能被模型错误识别为小米。

图9  定性结果。第一列是原始图像，第二列是预测结果。

图10  测试集(2)的一些定性结果。

图11 测试集(3)的一些定性结果。