大豆豆荚数量是大豆植物表型的重要方面，为育种和种植管理提供了宝贵的参考信息。传统的人工计数方法不仅成本高昂，而且容易出错。现有的基于检测的大豆荚计数方法在面对大豆荚在植株上密集且分布不均的情况下存在挑战。为了解决这一问题，本文提出了一种大豆荚计数网络（SPCN），以实现准确的大豆荚计数。SPCN是一种基于密度图的架构，采用混合膨胀卷积（HDC）策略和注意力机制进行特征提取，并使用不平衡最优传输（UOT）损失函数来监督密度图的生成。此外，我们引入了一个新的多样性数据集BeanCount-1500，该数据集包含24,684张来自316个大豆品种的图像，具有各种背景和光照条件。在BeanCount-1500上的大量实验表明，SPCN在大豆荚计数方面具有显著优势，其平均绝对误差（MAE）和平均平方误差（MSE）分别为4.37和6.45，显著优于当前的竞争方法。SPCN在Renshou2021数据集上的优异表现进一步证实了其出色的泛化潜力。总体而言，所提出的方法可以为大豆的智能育种和种植管理提供技术支持，推动农业的数字化和精准管理。

图1 BeanCount-1500样本图像

图2 BeanCount-1500 数据集的特征。(a) 不同的光照和背景。(b) 不同的清晰度等级。(c) 每张图片中植物数量的多样性。(d) 豆荚破裂现象。

图3标注过程特征的示意图，其中红点表示标注点。

图4 BeanCount-1500 数据集的分布情况。(a) 分辨率与大豆荚数量分布的散点图。(b) 大豆荚数量分布的箱线图。(c) 分辨率分布的散点图。注：对于(a)，xyz 轴分别表示图像的高度、宽度和标注数量。颜色越浅，标注数量越多。对于(c)，我们使用 K-means 聚类算法对不同图像的分辨率进行分类，用不同颜色表示。

图5 SPCN结构图

图6 前端模块示意图。

图7 CBAM结构图

图8 后端模块示意图。(a) 感受野示意图。(b) 后端模块图。注：对于 (a)，颜色覆盖的单元格越多，其感受野就越大。

图9 损失函数示意图。

图10 训练损失下降图。

图11 训练和验证 MAE 及 MSE 下降图。(a) MAE 下降图。(b) MSE 下降图。注：蓝线表示训练过程中指标的收敛情况，红线表示验证过程中指标的收敛情况。

图12 模型预测的可视化。第一列显示输入图像，右上角标注了实际豆荚数量。第二至第四列显示了不同模型预测的密度图，右上角标注了预测的豆荚数量。第五列展示了标注点的分布。黄色圆圈突出显示了SPCN模型表现更好的区域。

图13 Renshou2021数据集上的预测结果。第一列和第三列为输入图像，其上方的红色字体表示实际豆荚数量。第二列和第四列为SPCN模型预测的密度图，其上方的红色字体表示预测的豆荚数量。