成熟度是大豆新品种培育的重要性状，然而，基于视觉评分的大豆成熟度研究仍面临诸多挑战。有人提出可以利用无人机图像高通量表型分析代替传统视觉评估。然而缺乏从图像中提取所需信息的精确方法，仍然是一个重要瓶颈。本研究旨在开发一个基于图像的高通量表型分析系统，以评估育种计划中的大豆成熟度。

大豆育种田间试验(T4)的示例

单日期卷积神经网络架构的示意图

每周采集两次图像。开发了两个互补卷积神经网络(CNN)对大豆成熟期进行预测。第一种使用单一日期，第二种使用由第一种模型确定的五个最佳图像日期。提出的CNN架构通过五次试验中超过15000次的地面真实观测数据进行验证，其中包括来自三个生长季节和两个国家的数据。训练后的模型在五分之四的试验中显示出良好的泛化能力，均方根误差小于两天。四种估计预测不确定性的方法在识别成熟度预测中误差来源方面表现出了良好潜力。该体系结构解决了以往研究的局限性，可在商业育种项目中大规模应用。

多日期卷积神经网络体系结构的示意图

预测性能由均方根误差(RMSE)作为图像采集日期和地面真实成熟日期之间差异的函数来衡量

来源：

Trevisan R, Pérez O, Schmitz N, et al. High-Throughput Phenotyping of Soybean Maturity Using Time Series UAV Imagery and Convolutional Neural Networks. Remote Sens. 2020, 12(21), 3617; https://doi.org/10.3390/rs12213617.