随着全球人口的持续增长,在保证实现粮食产量的大幅增长的前提下,保持粮食可利用性和高质量也是必不可少的,种粒质量检测对农作物增产与高产有重要意义。水稻是亚洲国家的主要的农作物,世界50%以上的人口以稻米为主食,具有巨大的经济价值。水稻种粒缺陷识别是千粒重测量的基础,两者的样本数据是评价农作物质量与检验育种工作是否取得成效的重要指标。现有图像处理方法存在采集图片位置固定、处理过程复杂、无法归一化处理等缺点,因此采用泛化与适应能力强的深度学习分类与目标检测方法能解决上述问题。本文主要内容包括水稻种粒多类缺陷识别与重叠分布下的千粒重测量,结合武运粳-24水稻种粒的特点,进行针对性预处理与建立相关性模型,为水稻种粒的缺陷识别与重叠分布千粒重测量提供了技术保证。为满足深度学习数据库的建立,本文自主研究设计水稻种粒数据智能采集系统,该系统选用步进电机控制排种器的排种量,选用TXG12C工业相机获取缺陷与重叠分布图像,选用YZC-1B型称重传感器与LDST-I(V)-SP精密型重量变送器获取样本重量信息。该系统具有实时获取,操作简便等特点,为水稻种粒缺陷识别与重叠分布千粒重测量技术研究提供基础数据。针对水稻缺陷识别方面,水稻种粒相似特征会增加识别的难度,提出一种面向水稻种粒缺陷识别的个性特征显著化规范轻量Rice-VGG16模型。该模型首先通过对水稻种粒缺陷的细致划分以及进行图像标准化来构建数据集;接着,通过将第五最大池化层修改为平均池化层以及激活函数定义为LeakyReLU来实现个性特征显著化,提升识别精度;然后,每一卷积组最后一层卷积层后添加批规范化层,去除第一层全连接层,将第二全连接层节点数修改为1024,并微调模型参数来构建规范轻量化的Rice-VGG16模型,提升识别速度。经实验表明:该模型能够准确地识别水稻种粒缺陷,训练准确率为99.63%,识别准确率为99.51%。针对水稻种粒千粒重测量方面,现有的图像处理方法仅能很好的处理单层种粒计数问题,对于重叠状态往往出现误判现象,从而降低千粒重检测的精度。针对以上问题提出基于水稻种粒轮廓分组预标注的深度学习优化方法。首先,基于欧氏距离与散度函数为综合判据的轮廓分组方法实现水稻种粒轮廓的预标注,旨在减少潜在的假分类边缘点的数量,既能在Faster R-CNN输入端提供更加丰富的特征,同时还能减少标注工作量;其次,基于改进型Faster R-CNN(TKW-VGG16)深度学习优化方法,实现重叠水稻种粒精确计数。在其特征提取层中融合轮廓分组预标注的结果,将类间及内类误差函数的线性组合作为总的误差函数,旨在提高深度学习的精度;提出正交试验实现全连接层参数配置最优化,旨在提高深度学习速度。经试验验证:单幅图像内的水稻种粒平均误判率为1.06%,计数平均检测时间为0.45s。随着计算机处理能力的提升以及测量手段和测量方法的不断发展,基于深度学习的水稻种粒缺陷识别与重叠分布千粒重测量技术的应用能够极大的提高考种效率,同时对目标小、相似特征多谷物种粒的考种工作提供技术支持。