在全球范围内，大豆不仅是蛋白质和油脂的重要来源，其产量的提升也一直是农业科研的重点领域。豆荚的数量和种子的计数是决定大豆产量的关键性状。然而，在高通量精准表型分析方面，大豆育种面临巨大挑战：如何精确地识别和计数密集堆积且相互重叠的豆荚和种子。

2024年6月，Plant Phenomics 在线发表了之江实验室题为DEKR-SPrior: An Efficient Bottom-Up Keypoint Detection Model for Accurate Pod Phenotyping in Soybean的论文。

近年来，人工智能技术，尤其是深度学习（DL）模型的快速发展，为作物性状的高通量表型分析开辟了新的道路。但现有的DL模型在处理原位大豆植株中那些紧密排列、相互重叠的豆荚时，效果并不理想。为应对这一挑战，本文开发了一种创新的自下而上的模型——DEKR-SPrior，专门用于大豆植株的原位豆荚表型分析。

本文特别针对大豆荚果和种子的表型特征，通过模拟人体关键点检测的方法，将大豆荚果和种子分别视为人体的不同部位和关节，实现了对大豆荚果和种子的精准识别与计数。

图1 豆荚的不同类型及定义。（A）一粒荚（B）二粒荚（C）三粒荚（D）四粒荚（E）五粒荚

（1）结构先验模块（SPrior）：创新性的引入了结构先验(structural prior，SPrior)模块，通过余弦相似性增强了种子特征的区分度，显著提高了模型对高度相似种子的识别能力。

（2）图像处理技术：通过将全尺寸图像裁剪成更小、更高分辨率的子图像进行分析，进一步提升了荚果定位的准确性。

图2 DEKR-SPrior模型中的结构先验模块示意图

在图像数据集上的结果显示，DEKRSPrior在豆荚表型检测上优于多种现有的自下而上的模型，即light -OpenPose, OpenPose, HigherHRNet和DEKR，将豆荚表型的平均绝对误差(mean absolute error，MAE)从25.81(原始DEKR)降低到21.11 (DEKR- sprior)。

图3 DEKR-SPrior在子图测试数据集中结果的可视化

DEKR-SPrior模型在植物表型研究中展现出巨大潜力，有望成为未来植物表型研究的有力工具。研究团队期望该模型能够助力农业生产者和科研人员更高效、更精准地进行大豆产量和品质评估。

本文的第一单位为之江实验室，合作单位为中国科学院东北地理与农业生态研究所的大豆分子设计育种重点实验室和浙江工商大学。本文的研究受到了国家重点研发计划（2023YFD1202600）、之江实验室大豆智能计算育种与应用（2021PE0AC04）等项目支持。

论文链接：

https://doi.org/10.34133/plantphenomics.0198‍

——推荐阅读——

Noninvasive Abiotic Stress Phenotyping of Vascular Plant in Each Vegetative Organ View

https://doi.org/10.34133/plantphenomics.0180

Plant Phenomics | 福建农林大学基于高等植物“根-茎-叶”视角下的无损胁迫表型分析

Three-dimensional leaf edge reconstruction combining two- and three-dimensional approaches

https://doi.org/10.34133/plantphenomics.0181

Plant Phenomics | 结合二维和三维方法的三维叶片边缘重建