种子自动分类系统用于如下场景： 实验室作研究用的种子经常需要收集特征数据，这些特征数据来源于实验人员测量或智能设备自动收集。你需要实现代码，完成数据收集流程。由于数据的数目较为庞大，所以数据的分类需要借助计算机来自动完成。

首先，我们需要先确定种子的特征数据以及需要收集的信息。这些特征数据可以包括种子大小、形状、颜色、重量等等。我们可以使用智能设备进行自动收集，并将数据存储在数据库中。

接下来，我们需要编写一个种子自动分类系统的代码来实现数据的分类。该系统可以使用机器学习算法来训练模型，以便通过输入特征数据来对种子进行分类。

以下是一个简单的代码示例：

import pandas as pd
from sklearn.model_selection import train_test_split
from sklearn.tree import DecisionTreeClassifier
from sklearn.metrics import accuracy_score

# 读取特征数据，将其存储在 DataFrame 中
seed_data = pd.read_csv('seed_data.csv')

# 将特征数据和标签分开
X = seed_data.drop('label', axis=1)
y = seed_data['label']

# 划分数据集为训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3, random_state=42)

# 训练决策树模型
clf = DecisionTreeClassifier(random_state=42)
clf.fit(X_train, y_train)

# 对测试集进行预测
y_pred = clf.predict(X_test)

# 计算模型的准确率
accuracy = accuracy_score(y_test, y_pred)
print('Accuracy: {:.2f}%'.format(accuracy * 100))

此代码将特征数据读入 DataFrame 中，然后将数据集划分为训练集和测试集。接着，代码使用决策树算法训练模型，并对测试集进行预测。最后，代码计算模型的准确率。

以上是一个简单的示例，实际上，种子自动分类系统可能需要更复杂和更多的算法来实现更高的准确率。但这个示例可以作为一个良好的起点，帮助你开始构建自己的种子自动分类系统。