基于增强型混合注意力YOLOv8s的豆科植物根瘤表型分析：小目标检测新方法与氮固定效率评估

本研究针对豆科植物根瘤表型分析的技术瓶颈，开发了集成Swin Transformer和CBAM注意力机制的SCO-YOLOv8s检测模型。通过构建10,879张高分辨率根瘤图像数据集，结合Otsu分割后处理模块，实现了对密集粘连小目标（平均直径1.4-3.1mm）的精准识别（mAP 98.23%）。该技术可在1分钟内完成单株3,375个根瘤的自动化表型提取，为解析生物固氮（BNF）机制提供了高通量分析工具。

　　

豆科植物的根瘤是自然界生物固氮(Biological Nitrogen Fixation, BNF)的重要载体，其表型特征直接影响作物产量和土壤肥力。然而这些直径仅1-3毫米的"微型氮肥工厂"长期面临检测难题：传统人工计数效率低下，现有图像分析方法对密集粘连、弱纹理的小目标识别率不足70%，更无法获取颜色、体积等关键表型参数。中国作为大豆和花生的主产国，不同生态区根瘤形态差异显著，但缺乏系统性研究工具。

中国农业科学院油料作物研究所的研究团队在《Arthropod Structure》发表研究，通过改良YOLOv8s框架开发出SCO-YOLOv8s检测系统。研究首先构建标准化扫描平台，确定2800 lx背光+600 DPI分辨率为最优采集参数；随后整合Swin Transformer模块增强全局特征捕获能力，在Backbone部分引入窗口多头自注意力(W-MSA)机制；Neck部分加入卷积块注意力模块(CBAM)实现通道-空间双重特征优化；最后创新性地结合Otsu分割算法，基于几何特征和图像熵验证检测结果。

3.1 成像系统优化
对比实验显示，反射扫描模式下2800 lx背光可使结节边缘锐度提升40%，600 DPI分辨率在保证细节的同时将单图采集时间控制在1分钟内。

3.2 数据集特征
收集14省39个花生品种和12省31个大豆品种的10,879张图像，标注337,789个目标。黄淮海地区花生根瘤平均直径(1.896mm)显著大于其他区域，而大豆根瘤单株数量(43.64%样本<30个)明显少于花生。

3.3 模型性能
在测试集上达到97.29%精确度和96.07%召回率，对单株3775个根瘤的样本仅需21秒完成分析。相比原YOLOv8s模型，mAP提升2.84个百分点，R²达99.64%。

3.4 表型规律
K-means聚类将根瘤颜色分为5类，主成分分析(PCA)显示橙色-红棕色结节对应固氮酶活性高峰期，而深褐色结节已进入衰亡阶段。东北产区大豆根瘤平均直径(2.820mm)显著大于其他地区。

该研究创建的标准化分析流程，首次实现田间条件下根瘤原位检测与多维度表型提取。通过颜色特征与固氮活性的关联分析，为作物育种提供了新的表型标记。提出的混合注意力机制可推广至其他小目标检测场景，其构建的开放数据集将促进全球豆科植物共生固氮研究。未来可结合微型根窗系统，实现大田根瘤发育的动态监测。