种子就像是农业种植的“芯片”,是国家发展的物质基础,可以体现出国家的真正实力和影响力,也能体现一个国家的担当。手工计数和光电管计数是早期人们常用的种子计数的方法,存在操作繁琐、成本高、效率低下等问题。本文研究的作物自动计数方法以小麦种子为实验研究对象,研究了基于机器视觉图像处理技术的小麦籽粒自动计数方法,具体内容如下。首先,实现了基于传统图像分割的形态学算法和改进分水岭算法的小麦种子自动计数。具体实现如下:对小麦图像进行预处理,包括二值化、灰度化、填充等基本操作,接着对种子图像进行分割,最后提取连通区域实现计数。对于形态学分割算法,通过改变腐蚀强度能够提高轻微粘连的种子计数准确率;对于分水岭分割算法,通过添加距离变换和膨胀腐蚀操作提高分水岭算法的计数准确率。这两种方法均在原始方法的基础上进行了改进,提高了小麦种子的计数准确率,对于无粘连的小麦种子图像基本上可以准确计数,对于一些深度粘连及堆叠的种子无法完全分割,不能满足种子计数的实际需求。其次,实现了基于深度学习YOLOv4算法的小麦籽粒自动计数,采集大量小麦种子图像制作数据集,使用TTlabel软件对图像中的小麦种子进行标签标注,接下来使用搭建好的YOLOv4模型对数据集进行训练。最后,使用三种算法对不同光照、不同种子密度、不同粘连程度和不同背景的图像进行识别计数,对比分析三种算法的识别计数的准确率。对比结果表明,使用形态学和改进分水岭算法处理不同光照条件、不粘连、低密度以及单一颜色背景的小麦种子图像计数准确率高,准确率可以达到85%,但对于粘连、堆叠及深色混合背景的种子图像无法完全分割,计数误差较大。使用基于深度学习的YOLOv4算法处理粘连及堆叠等不同条件下的小麦种子图像时识别计数的准确率为98.41%,解决了严重粘连、堆叠等不同条件下种子计数的难题,迁移性强,可以满足种子计数的实际需求。