基于图像处理与机器学习的 soybean（大豆）高产量分枝表型鉴定及其在精准农业中的应用

这篇研究通过图像分析技术结合机器学习方法，开发了一套自动化工具，用于识别大豆（Glycine max）垂直冠层中与高种子产量相关的分枝表型。研究利用阈值分割和粒子分析等图像处理方法，发现 shoot（茎秆）凸包轮廓的较高 circularity（圆形度）与高产量显著相关，并通过深度学习模型实现了 80% 的 shoot phenotype（表型）分类准确率。成果为田间大豆的高产性状自动化鉴定提供了实用技术方案。

　　

Abstract

研究针对精准农业中作物产量自动化评估的挑战，开发了基于图像分析和机器学习的 soybean 高产性状鉴定方法。通过阈值分割和粒子分析，发现 shoot convex hull（茎秆凸包）的 circularity 与种子产量（数量和重量）显著相关。两种栽培品种（determinate Glenn 和 indeterminate P49T80R）通过不同策略实现高产：Glenn 通过高 pod density 表型（PT1），而 P49T80R 通过增加分枝宽度补偿较低的分枝 pod density（PT2）。深度学习模型对 400 张大豆 shoot 图像实现了 80% 的分类准确率，其中 PT2 表型预测准确率达 95%。

1 INTRODUCTION

大豆是美国主要经济作物，但高产依赖于中西部主栽的 indeterminate 品种。传统密植虽能抑制分枝、便于机械化收割，但高单株产量需更多分枝生物量投入。研究聚焦 shoot architecture（茎秆结构）对产量的影响，尤其关注 pod positioning（荚果分布）和 branching phenotype（分枝表型）的自动化识别难题。

2 MATERIALS AND METHODS

2.1 Field experiment

选用 determinate（Glenn、P53T73SR）和 indeterminate（P49T80R、P52A26R）品种，在弗吉尼亚两处田间种植。通过图像采集（Nikon D-90 相机）和形态学分析，量化 shoot convex hull 的 height（高度）、width（宽度）、circularity 等参数。

2.2 Image analysis

采用 ImageJ-Fiji 进行 shoot 分割，结合 ilastik 软件训练随机森林模型区分 stem（茎）和 pod（荚果）像素。深度学习模型（MIA 平台）基于 ResNet 架构，对 PT1/PT2 表型分类。

2.3 Branch and yield assessment

手动统计 long branch（长分枝）数量（0-7 个/株），并测定种子数、单粒重和总生物量。

3 RESULTS

3.1 Branch production

P49T80R 分枝数最多（3.4 个/株），Glenn 的 0-branch 植株比例最高。分枝数与种子产量呈正相关（R²=0.97）。

3.2 Yield traits

Glenn 和 P49T80R 产量最高（33.6 g/株）。convex hull circularity 高的植株产量提升 30%，PT1 表型比 PT2 产量高 26%。

3.3 Image analysis

determinate 品种的 shoot space use（空间利用率）更高（27.4%），而 P49T80R 的 convex hull 更宽且高。pod-to-shoot ratio（荚果占比）与单粒重显著相关（R²=0.32）。

3.4 Phenotype automation

深度学习模型对 PT2 的识别准确率达 95%，但 PT1 因分枝压缩等问题仅 48%。

4 DISCUSSION

研究首次将 convex hull circularity 确立为高产关联性状，并揭示两种高产策略：

1. 1.

   PT1：determinate 品种通过高 pod density 和小型凸包实现高产；

2. 2.

   PT2：indeterminate 品种通过增加分枝宽度补偿 pod density。

   图像分析技术为大豆育种和田间管理提供了可量化的表型指标，但需优化三维成像以解决 occluded pod（遮挡荚果）的识别难题。未来可结合 microclimate（微气候）数据进一步解析分枝发育的调控机制。