大豆是人类和动物在世界范围内重要的蛋白质来源，作物高产是大多数育种计划的共同标准和最终目标。但在大豆育种过程中，产量评估需投入大量精力，且粮食产量通常只有在收获后利用大量的劳动力才能测量。因此，一个有效的产量评估方法将极大地帮助育种者专注于解决生物学问题，而不是被麻烦的产量预测模型分散注意力。同时，大豆结实处的分布对育种至关重要，因为在收获时，结实处较低的种子可能会丢失。

开发自动化大豆种子计数工具将有助于收获前自动化产量预测，并提高育种效率。综合计数和定位的方法对于后续分析更理想化。然而，传统的目标计数方法劳动强度大，容易出错，定位精度低。因此，为了直接量化大豆种子，而不是按顺序量化，我们提出了一种新的量化大豆种子的方法，P2PNet-Soy。该方法考虑了几种方案调整架构和对后续的处理，最大限度地提高种子计数和定位的模型性能。如下：

首先，采用无监督聚类方法合并位置紧密的超额计数。

第二，利用高级特征合并低级特征，以提供更多的信息。

第三，将不同籽粒大小的空洞卷积应用于低、高层特征，获取大豆籽粒大小变化的尺度不变性特征。

第四，通道和空间有效地分离前景和背景，便于大豆种子计数和定位。

最后，在提取的特征中添加“输入图像”，以提高模型性能。

基于上述方案，选用24份大豆种质材料进行研究，从一侧获得的单个大豆植株的田间图像训练模型，并在从另一侧获得的图像上进行测试。结果表明，P2PNet- soy在大豆种子计数和定位方面比原P2PNet更具有优势，且在没有背景干扰的情况下，训练后的模型可以有效地直接处理从现场获得的图像。

图1 手持相机拍摄的大豆植物田间图像。(A)从一侧看的植物图像，(B)从另一侧看的相同植物图像。

图2 用点标注的大豆单株。(A)从一侧标注单株植物，(B)从另一侧标注单株植物。

图3 P2PNet-Soy的流程图。vgg-16是特征提取的基础框架。首先将高低特征融合，并添加到原始图像中，进行后续定位和计数。

图4 原始P2PNet的性能。(A)未经过k-d树后处理，(B)经过k-d树后处理的大豆种子单株计数。

图5 原始P2PNet (A)未经过后处理和(B)经过后处理在预测从测试数据集中随机选择的单株大豆种子数时的比较。虚线框中的图像是实线框内图像的放大部分。

图6 P2PNet-Soy在预测单株大豆种子数方面的表现。

图7 通过提出的P2PNet-Soy模型预测大豆种子的示例。右侧虚线框内的图像是左侧实框内图像的放大部分。

图8 对随机选择的现场图像进行后处理的优化P2PNet- soy (A)和原始P2PNet (B)模型的比较。虚线框中的图像是实线框内图像的放大部分。