《Computers and Electronics in Agriculture》：Combination of metric-based few-shot and contrastive learning for soybean high-throughput phenotype under high temperature stress
编辑推荐：
大豆植株表型分析中，提出基于对比学习和原型网络的多模态少样本算法SCProtoNet，通过融合RGB与NIR影像数据，有效提升高温胁迫下植株表型识别准确率（1-shot达91.56%，16-shot达100%），验证其在复杂田间环境中的泛化能力，为耐热品种筛选提供新方法。
梁中尧|金秀|王晓波|李佳佳|陈浩然|杨伟志|饶园
安徽农业大学人工智能学院，中国合肥230036
摘要 大豆在全球粮食安全中发挥着至关重要的作用，而近年来由于气候变化导致的热应力日益严重，这使得表型评估在育种中的重要性日益凸显。虽然无人机（UAV）遥感提供了一种低成本、高效率且非破坏性的冠层表型分析方法，但由于大豆基因型之间的差异以及不同生长季节之间的变化，标记数据的数量十分有限，这限制了传统深度学习模型的应用。本研究旨在开发一种新颖的少样本学习算法，用于识别高温胁迫（HT）和对照（CK）条件下的大豆冠层表型，利用了两年的UAV RGB和近红外（NIR）图像数据。该算法提出了基于度量的少样本学习模型——Soybean Contrastive Prototypical Network（SCProtoNet），该模型能够准确分析大豆冠层的表型特征。具体而言，SCProtoNet采用双分支架构同时处理RGB和NIR图像，通过优化原型表示和基于少样本场景的对比学习实例区分，有效捕捉了由基因型引起的大豆冠层表型差异。结果，在第一年，SCProtoNet在单次训练设置中的准确率达到91.56%。第二年，利用第一年的权重验证了模型在不同实验年份中的泛化性能。在16次训练设置中，模型的准确率分别达到了87.65%和100%。该少样本学习模型已在3232个不同大豆基因型的冠层图像上得到了有效测试。实验结果证明了该模型在不同实验条件下的鲁棒性和泛化能力。SCProtoNet为实施大豆基因型选择提供了有价值的参考，并为其他作物在少样本条件下的表型分析任务奠定了基础。源代码和训练好的模型可在以下链接获取：
https://github.com/Lzylearn/SCProtoNet-Soybean 引言 大豆是主要的油料作物之一，也是高质量植物蛋白的重要来源（Mo等人，2024年）。在过去几十年中，它在人类日常消费中的重要性持续增加。在各种非生物胁迫因素中，温度是影响大豆生长发育的最关键因素之一（Liu等人，2025年）。高温会对大豆植物的关键生理过程产生不利影响，从而阻碍其正常生长和发育（Mondal等人，2023年）。这会影响光合作用、开花和结籽等过程，最终导致产量和质量的下降（Gautam等人，2024年）。随着全球气候变暖的加剧和极端高温事件的频繁发生，培育耐热大豆品种已成为现代大豆生产中的一个关键挑战。
计算机视觉技术显著提高了基于图像的植物表型分析能力。深度学习模型不再局限于仅依赖手动定义特征的表型研究。它们可以从植物图像中自动学习表型信息，并识别与环境胁迫相关的表型。潜在空间表型分析框架表明，深度神经网络可以从植物图像中提取生物学上有意义的表示（Ubbens等人，2020年）。迄今为止，已有大量研究致力于将基于图像的深度学习技术应用于植物胁迫表型分析领域（Singh等人，2018年）。传统的大豆耐热性育种试验主要依赖于表型特征和生理参数的评估来识别稳定基因型（Abdala等人，2024年）。然而，这种方法严重依赖于人工测量，这既费时又费力，且容易出错（Duddu等人，2019年）。这些限制对耐热大豆品种的精准育种带来了重大挑战。近年来，基于UAV的高通量成像技术已被广泛用于研究关键作物表型特征，包括植株高度（Luo等人，2021年）、冠层覆盖度（Wan等人，2024年）、叶病和虫害（Tetila等人，2020年）、冠层萎蔫（Zhou等人，2020年）、冠层结构和温度（Maimaitijiang等人，2020年）、动态发育过程（Che等人，2024年）以及冠层纹理特征（Yu等人，2025年）。为了克服传统大豆耐热性育种试验的局限性，包括效率低、劳动力成本高和观察者偏差大等问题，本研究探索了将基于UAV的成像技术与计算机视觉算法相结合的方法，以实现非破坏性、高通量和动态监测大豆在高温胁迫下的表型反应，从而更有效地筛选耐热品种。然而，大豆试验中的田间条件复杂，包括不同地理区域的土壤类型、气候因素和杂草干扰，以及同一生长阶段不同品种之间的表型差异，这些都给准确评估耐热性带来了挑战，通常导致在狭窄的采样窗口内只能收集到少量可靠样本。
近年来，基于度量的少样本学习方法在图像分类领域受到了越来越多的关注，特别是在数据采集成本高昂和样本注释具有挑战性的情况下（Yuan等人，2024年）。原型网络通过分类级和样本级采样构建多个少样本学习任务，每个任务形成一个特征嵌入空间，用于测量查询样本与类别原型之间的相似性（Snell等人，2017年）。这种方法仅使用有限数量的样本就能提取出高温胁迫下大豆基因型之间的表型差异，从而实现对先前未见过的大豆基因型的准确分类（Zhu等人，2026年）。此外，在农业遥感领域，基于度量的少样本学习方法已广泛应用于多种任务，包括作物识别（Xu等人，2023年）和病虫害检测（Rezaei等人，2025年；Zhao等人，2024年），证明了它们在处理复杂环境条件下的有限样本场景中的有效性。本研究将基于度量的少样本学习与UAV遥感图像分析相结合，在复杂田间条件下对大豆表型进行分类时表现出显著的优势。在高温胁迫下，大豆叶片会经历一系列形态变化，包括叶片卷曲或下垂、叶片黄化以及整体冠层密度降低（Shen等人，2023年）。这些变化可以通过基于UAV的RGB相机的高通量成像技术捕捉到。然而，RGB图像在捕捉大豆植物对高温胁迫的生理反应方面仍存在局限性。为了增强对大豆高温响应的识别能力，本研究结合了近红外信息，提出了一种基于多模态融合的图像分类方法。这种方法不仅提高了捕捉作物生理状态的能力，还提高了高温胁迫表型分类的准确性，并增强了模型在复杂田间条件下的鲁棒性。
随着对比学习在表示学习中的广泛应用，这一范式在图像分类等任务中展示了强大的特征提取能力（Saleh等人，2024年；Zhao等人，2023a）。作为自监督学习的核心范式，对比学习通过最大化正样本对之间的相似性同时最小化负样本对之间的差异来提高嵌入空间的区分能力，而无需标记数据。在遥感图像分析等细粒度任务中，完全自监督学习方法常常面临挑战，包括类别间区分不足和特征聚类不稳定（Sun等人，2025a）。为了解决这些挑战，近年来监督对比学习方法受到了越来越多的关注，因为引入标签信息进一步增强了对比表示学习的有效性（Dong等人，2025年；Zhang等人，2025年）。这种策略在少样本分类场景中展示了强大的泛化能力。本研究将监督对比学习的表示优势与原型网络的结构优势相结合，用于利用遥感数据增强高温胁迫下大豆品种间表型差异的区分能力。在样本有限的少样本分类场景中，所提出的方法提高了细粒度类别区分能力，并且在复杂田间环境中检测作物胁迫条件方面展现出巨大潜力。
总之，本研究的重大贡献如下：
(1) 基于RGB和NIR图像建立了一个大规模的大豆冠层数据集，包含3,232个大豆品种，每个品种由两个对应于高温胁迫（HT）和对照（CK）条件的实验地块表示。在每个地块中，相同基因型的植物在相同的种植条件下生长，在高温胁迫地块中，使用塑料覆盖的庇护所施加了升高的温度。
(2) 开发了一种结合对比学习机制的原型网络框架，以解决遥感图像中大豆冠层识别样本不足的问题，该框架被称为SCProtoNet。通过利用类别级原型表示和实例级特征表示之间的互补性，所提出的方法在极端数据稀缺条件下增强了特征的可分性。
(3) 本研究开发了一种多模态特征融合策略，整合了来自可见光和近红外波段的遥感图像的互补信息。通过引入一种“伪增强”方法，所提出的方法扩展了模型的感知能力，有效缓解了单模态特征表示的固有局限性。
(4) 引入残差连接的投影头模块增强了实例级特征的可分性。此外，通过结合类别级和实例级对比损失函数，建立了多任务学习目标，有助于形成更精确的类别边界和更紧密的类内特征一致性，从而提高了整体特征的可分性。
实验地点和设置 评估大豆耐热性的实验在安徽农业大学北方综合实验站进行。该实验站位于安徽省苏州市永桥区的国家现代农业工业园区内，坐标约为北纬33°41′13.02″，东经117°05′34.31″，海拔约32米（图1b）。研究地点位于淮北平原，该地区具有温暖湿润的气候，阳光充足
样本分析和实验设计 在少样本学习设置中的全面可视化显示，SCProtoNet特征的t-SNE投影有效捕捉了特征的分离（图4，图5）。具体来说，类别特定特征通过平均支持集的特征直接参与类别原型的构建，它们的分布反映了基于原型的损失函数的优化效果。随着支持样本数量的增加，学习到的特征表现出讨论 手动评估大豆在高温胁迫下的反应通常面临与劳动力成本、效率以及研究人员在判断植物是否经历过高温胁迫时的主观性相关的挑战。因此，本研究旨在提出一种新颖的少样本算法，用于在现场进行准确且非破坏性的大豆评估。所提出的SCProtoNet算法是首个基于少样本的大豆冠层表型分析方法
结论 本研究提出了一种基于度量的少样本学习算法SCProtoNet，用于以高通量和非破坏性的方式分析不同品种大豆冠层遥感图像中的高温胁迫表型。SCProtoNet首次填补了大豆耐热性筛选少样本学习方法的关键空白，并在两年的遥感数据上得到了验证，为相关研究提供了宝贵的参考
CRediT作者贡献声明 梁中尧： 撰写——原始草案、可视化、验证、方法论、调查、正式分析、数据管理、概念化。金秀： 撰写——审阅与编辑、验证、监督、资源获取、正式分析、数据管理、概念化。王晓波： 验证、资源获取、调查。李佳佳： 验证、资源获取、调查。陈浩然： 数据管理。杨伟志： 调查、正式分析、数据管理。饶园： 撰写
利益冲突声明 作者声明他们没有已知的可能会影响本文工作的竞争性财务利益或个人关系。
致谢 本研究得到了国家自然科学基金 （编号：32371993 & U24A20394）、安徽省自然科学重点研究项目（编号：2022AH040125、2023AH040135、2024AH050471、2024AH050462）以及安徽省研发 计划（编号：202204c06020022和2023n06020057）的支持。作者感谢参与本研究的北方安徽省综合实验 站提供的实验支持
