新模型增强了大豆豆荚和种子的高通量表型分析

大豆是一种重要的农业豆科植物，富含蛋白质和油脂，育种者希望通过种子重量、形状和豆荚数量等特性来提高产量。当前的研究利用深度学习 (DL) 进行高通量表型分析，但传统方法既费力又容易出错。

基于分割和基于检测的深度学习方法面临着密集重叠豆荚的挑战。为了解决这些问题，重点已转移到探索基于点的检测方法，例如 P2PNet，以准确地对大豆豆荚和种子进行原位表型分析。

一个研究小组开发了 DEKR-SPrior 模型，以改进大豆豆荚和种子的高通量表型分析。该模型通过新颖的 SPrior 模块增强了特征区分能力，与现有模型相比，显著降低了豆荚表型分析的平均绝对误差。

DEKR-SPrior 能够准确计数和定位密集的豆荚和种子，从而简化大豆育种过程，为提高作物产量预测和促进农业研究提供宝贵工具。

该研究于 2024 年 6 月 27 日发表在《植物表型学》上，提出了 DEKR-SPrior 模型，结合结构先验知识，以提高大豆豆荚表型分析的准确性。

在本研究中，在包含 205 张裁剪的大豆植物图像的高分辨率子图像数据集上，将 DEKR-SPrior 模型的性能与其他四个自下而上的模型(Lightweight-OpenPose、OpenPose、HigherHRNet 和原始 DEKR)进行了比较。

DEKR-SPrior 表现出卓越的准确性，AP、AP50、AP(1 粒种子)、AP(2 粒种子)、AP(3 粒种子)和 AP(4 粒种子)值分别为 72.4%、91.4%、71.7%、80.9%、85.6% 和 83.6%。与原始 DEKR 相比，DEKR-SPrior 在所有指标上都表现出显著的改进，尤其是 2 粒种子和 3 粒种子荚的 AP 显著增加。

精确召回率 (PR) 曲线表明，DEKR-SPrior 在给定召回率的情况下保持了更高的精确度，有效减少了漏检和误检。结果可视化显示了种子的准确识别和连接位置。

消融分析进一步证实了 SPrior 模块提供的增强，并在特定的超参数值下实现了最佳性能。

DEKR-SPrior 在全尺寸图像测试中也优于其他模型，在种子和豆荚计数方面实现了更低的平均绝对误差 (MAE) 和更高的皮尔逊相关系数 (PCC)，凸显了其在大豆表型分析中的有效性。

该研究首席研究员何晶晶表示：“这篇论文展示了 DEKR-SPrior 在植物表型分析方面的巨大潜力，我们希望 DEKR-SPrior 能够为未来的植物表型分析提供帮助。”

综上所述，DEKR-SPrior 模型实现了更高的准确率和召回率，证明了其在准确检测和计数大豆豆荚和种子方面的有效性。展望未来，DEKR-SPrior 在推动农业研究方面具有巨大潜力农作物性状的表型分析提供更准确、更高效的方法，

该模型可以进一步完善并适用于其他作物，从而提高产量预测能力并有助于粮食安全。