种子发芽评价是种子研究人员衡量种子质量和性能的一项基本任务。通常，种子评估是手动完成的，这是一个繁琐、耗时且容易出错的过程。经典的图像分析方法不太适合大规模的发芽实验，因为它们通常依赖于手动调整基于颜色的阈值。

本文提出了一种基于机器学习的方法，该方法使用了具有候选区域的卷积神经网络（CNN），用于各种种子发芽实验的自动化和高通量评估。本研究生成了玉米、黑麦、珍珠粟等谷物的2400多个种子及其发芽过程的标记成像数据集，总共23,000多张图像。采用迁移学习(transfer learning)方法训练各种深度学习模型，以便准确地检测图像中的种子，区分它们的发芽状态，最后计算出常用的发芽指数来衡量种子批次的质量和动态。