El llenado de granos es esencial para la formación del rendimiento del trigo, pero es muy susceptible a las tensiones ambientales, como las altas temperaturas, especialmente en el contexto del cambio climático global. Las imágenes RGB de granos incluyen información rica en color, forma y textura, que pueden revelar explícitamente la dinámica del llenado de granos. Sin embargo, todavía es un desafío predecir cuantitativamente los días después de la antésis (DAA) a partir de imágenes RGB de granos para monitorear el desarrollo del grano. Resultados: El conjunto de datos WheatGrain reveló cambios dinámicos en los rasgos de color, forma y textura durante el desarrollo del grano. Para predecir el DAA a partir de imágenes RGB de granos de trigo, probamos el rendimiento del aprendizaje automático tradicional, el aprendizaje profundo y el aprendizaje de pocos ejemplos en este conjunto de datos. Los resultados mostraron que Random Forest (RF) tuvo la mejor precisión de los algoritmos de aprendizaje automático tradicionales, pero fue mucho menos preciso que todos los algoritmos de aprendizaje profundo. La precisión y el recall del modelo de clasificación de aprendizaje profundo utilizando Vision Transformer (ViT) fueron los más altos, 99.03% y 99.00%, respectivamente. Además, el aprendizaje de pocos ejemplos pudo realizar un reconocimiento de imágenes de grano de trigo de alta precisión, y tuvo una tasa de precisión y recall más alta en el caso de 5 ejemplos, que fueron 96.86% y 96.67%, respectivamente. Materiales y Métodos: En este trabajo, propusimos un conjunto de datos completo de granos de trigo, WheatGrain, que cubre miles de imágenes de granos de trigo desde 6 DAA hasta 39 DAA, que pueden caracterizar la dinámica completa del desarrollo del grano. Al mismo tiempo, construimos diferentes algoritmos para predecir el DAA, incluidos el aprendizaje automático tradicional, el aprendizaje profundo y el aprendizaje de pocos ejemplos, en este conjunto de datos, y evaluamos el rendimiento de todos los modelos. Conclusiones: Para obtener dinámicas de llenado de granos de trigo de manera oportuna, este estudio propuso un conjunto de datos RGB para todo el período de crecimiento del desarrollo del grano. Además, se realizaron comparaciones detalladas entre el aprendizaje automático tradicional, el aprendizaje profundo y el aprendizaje de pocos ejemplos, lo que proporcionó la posibilidad de reconocer el DAA del grano de manera oportuna. Estos resultados revelaron que el ViT podría mejorar el rendimiento del aprendizaje profundo en la predicción del DAA, mientras que el aprendizaje de pocos ejemplos podría reducir la necesidad de un número de conjuntos de datos. Este trabajo proporciona un nuevo enfoque para monitorear la dinámica de llenado de granos de trigo, y es beneficioso para la prevención de desastres y la mejora de la producción de trigo.