Grain number is crucial for analysis of yield components and assessment of effects of cultivation measures. The grain number per spike and thousand-grain weight can be measured by counting grains manually, but it is time-consuming, tedious and error-prone. Previous image processing algorithms cannot work well with different backgrounds and different sizes. This study used deep learning methods to resolve the limitations of traditional image processing algorithms. Wheat grain image datasets were collected in the scenarios of three varieties, six background and two image acquisition devices with different heights, angles and grain numbers, 1 748 images in total. All images were processed through color space conversion, image flipping and rotation. The grain was manually annotated, and the datasets were divided into training set, validation set and test set. We used the TensorFlow framework to construct the Faster Region-based Convolutional Neural Network Model. Using the transfer learning method, we optimized the wheat grain detection and enumeration model. The total loss of the model was less than 0.5 and the mean average precision was 0.91. Compared with previous grain counting algorithms, the grain counting error rate of this model was less than 3% and the running time was less than 2 s. The model can be effectively applied under a variety of backgrounds, image sizes, grain sizes, shooting angles, and shooting heights, as well as different levels of grain crowding. It constitutes an effective detection and enumeration tool for wheat grain. This study provides a reference for further grain testing and enumeration applications.

粒数对于分析产量组成和评估栽培措施的效果至关重要。可以通过手动计数谷物来测量每个穗粒数和千粒重，但是这很耗时，繁琐且容易出错。以前的图像处理算法无法在不同的背景和不同的尺寸下很好地工作。这项研究使用深度学习方法来解决传统图像处理算法的局限性。在三个品种，六个背景和两个具有不同高度，角度和粒数的图像采集设备的情况下，收集了小麦籽粒图像数据集，总共有1748张图像。所有图像均通过色彩空间转换，图像翻转和旋转进行处理。对谷物进行人工注释，并将数据集划分为训练集，验证集和测试集。我们使用TensorFlow框架构建了基于更快区域的卷积神经网络模型。使用转移学习方法，我们优化了小麦籽粒的检测和枚举模型。该模型的总损失小于0.5，平均平均精度为0.91。与以前的谷物计数算法相比，该模型的谷物计数错误率小于3％，运行时间小于2 s。该模型可以在各种背景，图像尺寸，颗粒尺寸，拍摄角度和拍摄高度以及不同级别的谷物拥挤情况下有效应用。它构成了一种有效的小麦籽粒检测和枚举工具。该研究为进一步的谷物测试和枚举应用提供了参考。我们使用TensorFlow框架构建了基于更快区域的卷积神经网络模型。使用转移学习方法，我们优化了小麦籽粒的检测和枚举模型。该模型的总损失小于0.5，平均平均精度为0.91。与以前的谷物计数算法相比，该模型的谷物计数错误率小于3％，运行时间小于2 s。该模型可以在各种背景，图像尺寸，颗粒尺寸，拍摄角度和拍摄高度以及不同级别的谷物拥挤情况下有效应用。它构成了一种有效的小麦籽粒检测和枚举工具。该研究为进一步的谷物测试和枚举应用提供了参考。我们使用TensorFlow框架构建了基于更快区域的卷积神经网络模型。使用转移学习方法，我们优化了小麦籽粒的检测和枚举模型。该模型的总损失小于0.5，平均平均精度为0.91。与以前的谷物计数算法相比，该模型的谷物计数错误率小于3％，运行时间小于2 s。该模型可以在各种背景，图像尺寸，颗粒尺寸，拍摄角度和拍摄高度以及不同级别的谷物拥挤情况下有效应用。它构成了一种有效的小麦籽粒检测和枚举工具。该研究为进一步的谷物测试和枚举应用提供了参考。使用转移学习方法，我们优化了小麦籽粒的检测和枚举模型。该模型的总损失小于0.5，平均平均精度为0.91。与以前的谷物计数算法相比，该模型的谷物计数错误率小于3％，运行时间小于2 s。该模型可以在各种背景，图像尺寸，颗粒尺寸，拍摄角度和拍摄高度以及不同级别的谷物拥挤情况下有效地应用。它构成了一种有效的小麦籽粒检测和枚举工具。该研究为进一步的谷物测试和枚举应用提供了参考。使用转移学习方法，我们优化了小麦籽粒的检测和枚举模型。该模型的总损失小于0.5，平均平均精度为0.91。与以前的谷物计数算法相比，该模型的谷物计数错误率小于3％，运行时间小于2 s。该模型可以在各种背景，图像尺寸，颗粒尺寸，拍摄角度和拍摄高度以及不同级别的谷物拥挤情况下有效地应用。它构成了一种有效的小麦籽粒检测和枚举工具。该研究为进一步的谷物测试和枚举应用提供了参考。91.与以前的谷物计数算法相比，该模型的谷物计数错误率小于3％，运行时间小于2 s。该模型可以在各种背景，图像尺寸，颗粒尺寸，拍摄角度和拍摄高度以及不同级别的谷物拥挤情况下有效地应用。它构成了一种有效的小麦籽粒检测和枚举工具。该研究为进一步的谷物测试和枚举应用提供了参考。91.与以前的谷物计数算法相比，该模型的谷物计数错误率小于3％，运行时间小于2 s。该模型可以在各种背景，图像尺寸，颗粒尺寸，拍摄角度和拍摄高度以及不同级别的谷物拥挤情况下有效应用。它构成了一种有效的小麦籽粒检测和枚举工具。该研究为进一步的谷物测试和枚举应用提供了参考。它构成了一种有效的小麦籽粒检测和枚举工具。该研究为进一步的谷物测试和枚举应用提供了参考。它构成了一种有效的小麦籽粒检测和枚举工具。该研究为进一步的谷物测试和枚举应用提供了参考。