豆荚数和种子数是大豆重要的产量性状。高精度大豆育种面临的主要挑战是以高通量的方式准确地分型豆荚和种子的数量。人工智能的最新进展，特别是深度学习(deep learning，DL)模型，为作物性状的高通量表型分析提供了新的途径。然而，现有的DL模型对原位大豆植株中密集堆积和重叠的豆荚的表型分析效果较差;因此，对大豆荚和种子数量的准确分型是一个重大的挑战。为了解决这一挑战，本研究提出了一个自下而上的模型，DEKR-SPrior，用于大豆豆荚原位表型，该模型分别考虑大豆豆荚和种子类似于人类和关节。特别是，我们设计了一个新的结构先验(structural prior，SPrior)模块，利用余弦相似度来提高特征识别，这对于区分位置接近的种子和高度相似的种子非常重要。为了进一步提高豆荚定位的准确性，将全尺寸图像裁剪成更小的高分辨率子图像进行分析。在图像数据集上的结果显示，DEKRSPrior优于多个自下而上的模型，即light -OpenPose, OpenPose, HigherHRNet和DEKR，将豆荚表型的平均绝对误差(mean absolute error，MAE)从25.81(原始DEKR)降低到21.11 (DEKR- sprior)。本文展示了DEKR-SPrior在植物表型分析中的巨大潜力，希望DEKR-SPrior能在未来的植物表型分析中有所帮助。

图1  豆荚的不同形态和注释。(a) 1粒荚果。(b) 2粒荚果。(c) 3粒豆荚。(d) 4粒荚果。(e) 5粒荚果。

图2  研究流程图。(a)原全尺寸图像。(b)裁剪得到的子图像。(c)培训和测试网络。(d)全尺寸图像测试和结果合并。(e)全尺寸图像上显示的结果。

图3  DEKR-SPrior模型的结构先验模块示意图

图4  不同自下而上模型的PR曲线，即light -OpenPose、OpenPose、HigherHRNet、DEKR和DEKR- sprior。

图5  子图像测试数据集中结果的可视化。

图6 真实值与预测值的散点图和拟合曲线。(a) 3粒豆荚数。(b) 4粒豆荚数。(c)种子总数。(d)豆荚总数。