Los granos de cereales son una parte vital de la dieta humana. La calidad de apariencia y la distribución de tamaños de los granos de cereales juegan un papel importante como determinantes o indicadores de la aceptabilidad del mercado, la estabilidad del almacenamiento y la cría. La visión por computadora es popular en la realización de tareas de evaluación de calidad y análisis de tamaño, en las cuales la segmentación de instancias precisa es un paso clave para garantizar la finalización exitosa de las tareas. Este estudio propone un método de segmentación de instancias rápido y desplegable basado en un algoritmo de segmentación de cuenca generativa basado en marcadores, que combina dos estrategias (una estrategia para optimizar áreas de núcleo y otra para segmentación integral) para superar los problemas de sobre-segmentación y bajo-segmentación para imágenes con objetivos densos y pequeños. Los resultados muestran que la precisión promedio de segmentación de nuestro método alcanza el 98.73%, que es significativamente mayor que el algoritmo de segmentación de cuenca basado en marcadores (82.98%). Para verificar aún más la practicidad de ingeniería de nuestro método, contamos la distribución de tamaños de granos de cereales segmentados. Los resultados mantienen un alto grado de consistencia con la verdad terrestre esbozada manualmente. Además, nuestro marco de algoritmo propuesto puede ser utilizado como una gran referencia en otras tareas de segmentación de objetivos densos.