Antes de ser despachados desde las instalaciones de fabricación, los sembradores requieren rigurosas evaluaciones de rendimiento para sus capacidades de siembra. Los métodos convencionales de inspección manual son notablemente menos eficientes. Este estudio presenta un enfoque de detección de siembra de trigo basado en una técnica de procesamiento de imágenes YOLOv5s mejorada. Sobre la base del marco de YOLOv5s, integramos cuatro módulos de mecanismo de atención CBAM en su modelo. Además, la técnica tradicional de aumento en la capa del cuello fue reemplazada por el método de aumento CARAFE. El modelo aumentado logró un mAP del 97.14%, ilustrando su capacidad para elevar tanto la precisión de reconocimiento como la velocidad de procesamiento de semillas de trigo, asegurando que el modelo siga siendo ligero. Aprovechando este modelo avanzado, podemos contar y localizar imágenes de semillas de manera efectiva, lo que permite el cálculo preciso y la evaluación de la uniformidad, precisión y dispersión de la siembra. Establecimos un banco de pruebas de siembra y realizamos experimentos para validar nuestro modelo. Los resultados mostraron que después de mejorar el modelo, la precisión promedio del reconocimiento de trigo fue superior al 97.55% bajo diferentes tasas de siembra y velocidades de desplazamiento. Esto indica que este método tiene una alta precisión para el número total de partículas de semilla. La tasa de siembra y la velocidad de desplazamiento de la siembra fueron consistentes con las mediciones manuales y no afectaron significativamente la uniformidad, precisión o dispersión.