尽管计算机视觉技术在快速识别大豆表型性状方面显示出显著的效率，但传统方法在准确区分某些复杂表型方面仍然有效。为进一步推进大豆表型性状分析，本研究从新的角度提出了大豆育种技术与深度学习算法相结合的DSBEAN框架，对大豆表型性状进行分析。DSBEAN框架的关键组成部分是两个创新的评价指标：豆荚生长面积与主茎的长度比(MLR)和豆荚生长面积内的豆荚密度(PD)，这两个指标对于从计算机视觉角度进一步理解和分析大豆表型性状至关重要。DSBEAN框架包括三个部分：1)主干节点检测和PGA识别。设计了一种改进的YOLOv5s模型，用于大豆主茎节点检测、豆荚坐标提取和豆荚生长面积（PGA）划分。2)主干分割。采用U-Net模型对大豆主茎进行分割。3) MLR和PD提取：利用已鉴定的大豆表型计算MLR和PD。为了验证DSBEAN框架，构建了一个新的大豆图像和标签数据集(soybean image and label dataset，SILD)，并进行了多种对比实验。从实验结果来看，基于MLR、PD预测的豆荚数与主茎节数的相关水平为0.93，显示了DSBEAN框架在大豆表型鉴定中的显著潜力。此外，该框架有可能为其他作物的表型鉴定提供新的方向。

图1  大豆图像表型获取平台。

图2  经几何变换增强的图像：(a)大豆的例子；(b)水平镜像；(c)垂直镜像；(d)加入高斯噪声；(e) γ校正。

图3  DSBEAN的结构包括三个主要模块：MLR和PD提取、主茎节点检测和PGA识别、主茎分割。

图4  MLR和PD提取流程。

图5  YOLOv5检测流程。

图6 EfficientViT-YOLOv5s结构。

图7  (A) EfficientViT的整体架构。(B)各块的组成。(C)多尺度线性注意。

图8  U-Net网络的结构。

图9  整体流程。

图10  三个大豆品种荚数的回归分析。

图11  3个大豆品种的DSBEAN表型检测结果：(A)无分枝大豆，(B)低分枝大豆，(C)多分枝大豆。

图12  大豆植株不同取向MLR和PD结果的比较。

图13  不同目标检测模型评价指标的比较。

图14  不同目标检测模型的主干节点检测结果。

图15  不同语义分割模型评价指标的比较。

图16  不同语义分词模型的主干分割结果。