SmartPod：一种自动化的高精度大豆田间表型荚果计数框架-慧诺瑞德（北京）科技有限公司|叶绿素荧光|光合作用|植物表型

学术中心

全部分类

SmartPod：一种自动化的高精度大豆田间表型荚果计数框架

发布时间：

2025-04-05

来源：

作者：

大豆荚计数是大豆育种和产量预测的关键指标，但传统的人工计数方法在复杂田间环境中（如遮挡、密集分布和背景干扰）存在效率低、误差大的问题。尽管深度学习技术（如 YOLO 系列）在目标检测领域取得了显著进展，但在处理大豆荚的高密度分布、遮挡和背景相似性时仍面临挑战。SmartPod 的深度学习框架，旨在通过技术创新和半监督学习策略解决这些问题。

2025年3月24日，《agronmy》在线发表了一篇由中国石油大学（华东）青岛软件学院与计算机科学与技术学院、青岛农业大学科学与信息科学学院和青岛农业大学草地科学学院共同完成的研究论文——《SmartPod: An Automated Framework for High-Precision Soybean Pod Counting in Field Phenotyping》。利用慧诺瑞德公司研发的轨道式高通量植物表型平台（TraitDiscover）采集数据集，提出一种名为SmartPod的深度学习框架，专为田间大豆荚的高精度计数而设计。

图1. SmartPod方法的实验流程

(a)使用迭代自训练框架对BN网络模型进行预训练;(b)BN网络的结构;(c)训练豆荚检测网络；(d)使用性能最好的网络进行检测和计数。

本研究以耐盐大豆品种“齐黄 34”和“齐黄 641”及其衍生品种为实验对象。实验在山东省东营市广饶县的国家盐碱地综合利用与技术创新中心进行。数据集由轨道式高通量植物表型平台（TraitDiscover）自动采集，共包含 1500 张图像，分为训练集、验证集和测试集（比例为 7:2:1）。使用 LabelMe 工具对图像中成熟大豆荚的关键点进行标注。

图2. 图像采集与标注过程

(a)TraitDiscover高通量表型平台;(b)图像标注示例。

BeanpodNet (BN)是基于 YOLOv8 的大豆荚检测模型，通过以下改进解决了高密度目标、遮挡和背景与目标特征相似性等挑战：SViT增强全局上下文特征提取，减少复杂背景对检测性能的影响。Multi-SEAM增强遮挡目标的分离能力，提高模型在遮挡场景中的鲁棒性。Inner-IoU优化边界框回归策略，提高密集目标场景下的检测精度。半监督迭代自训练策略：利用未标注数据生成伪标签，提高检测器的泛化能力，减少对标注数据的依赖。

图3. BeanpodNet（BN）网络架构

图4. STT块的结构

图5. Multi-SEAM架构

图6. iou内部机制的说明

实验结果表明，SmartPod 在 IoU 阈值为 0.5 的平均精度（AP@IoU=0.5）上达到了 94.1%，比现有方法高出 1.7%–4.6%。与 YOLO 系列方法相比，SmartPod 在精度、召回率和 AP@0.5 指标上均表现优异。在 200 个大豆样本的手动计数与模型预测对比中，SmartPod 的 Pearson 相关系数达到 0.9792，显著优于 YOLOv8 的 0.9612。SmartPod 为大豆育种和精准农业提供了强有力的工具，并为未来在其他作物表型分析中的应用奠定了基础。

图7. YOLOv8s和BN在AP@0.5和P-R曲线上的比较

图8. 大豆植物的预测效果

图9.不同方法检测性能的比较

图10.预测值和实际值之间的相关性

准确计数大豆荚不仅能够精确估算产量，还能识别高产和抗逆大豆品种。传统方法由于遮挡、背景相似性和密集分布等因素容易出现误差，而深度学习模型（如 YOLO 系列）在处理复杂视觉任务方面取得了显著突破。本研究提出的 SmartPod 方法结合深度学习技术和半监督学习策略，不仅提高了检测精度，还展示了在多样化田间条件下的强大泛化能力。尽管 SmartPod 在复杂田间环境中表现出色，但目前仍需要将大豆植株平铺成像。未来工作将探索六自由度成像技术，以实现自然状态下的荚检测和计数。

来源

Liu F, Wang S, Pang S, et al. SmartPod: An Automated Framework for High-Precision Soybean Pod Counting in Field Phenotyping[J]. Agronomy, 2025, 15(4): 791.

编辑

杨静静

推荐新闻

石时之约|韩志国：透过表型数据，看见植物的喜怒哀乐！

本期石时之约，我们将对话慧诺瑞德（北京）科技有限公司总经理、国际植物表型学会（IPPN）执委会委员/工业分会副主席韩志国，一起从表型数据的科学角度，去读懂农作物的喜怒哀乐和前世今生。

慧科研、慧育种、慧种田——慧聚改变的力量

让我们“慧聚”在一起，为“慧科研、慧育种、慧种田”赋能。

高通量植物表型平台建设注意事项

育种，是在给定的环境条件下，选择各种表型指标(产量、品质、抗性)最优的基因型材料的过程(AI育种，从这里起步)。育种工作中大约70%的工作量来自表型观察测量和筛选，是最耗人力物力的过程。

作物生理表型测量基础原理

生理表型测量的核心在于“早、快”，要在肉眼可见之前就能测量并预判出变化趋势，才是这个技术的核心价值。叶绿素荧光成像，恰好满足了这个要求。

视频展示