大豆豆荚的分类识别与统计分析对于评估种子品质和预估产量具有极其重要的作用。然而，传统的由育种专家进行的人工视觉评定不仅耗时耗力，还容易受到主观判断的影响，特别是在处理大量样本时更是如此。此外，现有的自动化评估技术往往难以准确区分那些外观极为相似的豆荚种类，这在一定程度上限制了模型的判断准确性。为了克服这些挑战，我们引入了一种经过改良的YOLOv5s目标检测算法，称之为FEI-YOLO模型。这一模型专门优化了对不同豆荚类型的辨识能力，旨在提升整体的识别效率和精确度。FasterNet与原版的C3模块进行了集成，这样做既减少了模型的参数数量，又降低了计算负担，同时也提升了检测的准确度与速率。为了更有效地提取并呈现特定目标的特征，我们在主干网络的C3模块中加入了高效多尺度注意（EMA）模块，这一举措显著提高了对相似豆荚类型的识别能力。此外，结合了Inner-IoU和CIoU作为损失函数，这进一步优化了检测精度以及模型的泛化性能。在将FEI-YOLO模型与基准YOLOv5s进行对比时，结果显示FEI-YOLO的mAP@0.5达到了98.6%，比原来提高了1.5%。同时，模型的参数总量减少了13.2%，FLOPs也降低了10.8%，这些数据充分证明了FEI-YOLO模型的有效性和高效率。该模型能够快速且准确地辨识出大豆的豆荚类型。

图1 提出的FEI-YOLO模型结构。

图2 C3-F模块结构。

图3 FasterNet模块结构。

图4 数据集的样例分布图。（a）训练集大小 （b）豆荚的WH比分布

图5 C3-FE模块结构。

图6 EMA模块结构。

图7 Inner-IoU损失函数的图解

图8 从每种豆荚类型中各选取一例进行说明。（a）一粒荚 （b）二粒荚 （c）三粒荚 （d）四粒荚

表1 大豆豆荚各亚群及荚型的分布。

表2 实验超参数设置。

表3 基准模型先验实验。

表4 不同型号的性能比较。

图9 检测效果比较。

表5 比较TP、FP、FN在同一幅图像上不同型号的计数。

表6 比较FEI - YOLO和YOLOv5s在不同豆荚类型上的表现。

表7 烧蚀实验结果。

图10 YOLOv5s和FEI-YOLO收敛速度的比较。