豆类作物，包括干豌豆、扁豆和鹰嘴豆，是蛋白质、低消化碳水化合物和微量营养素的丰富来源。随着人们对无麸质和无过敏原食品的植物性蛋白质需求的增加，豆类作物在满足不断增长的人口的营养需求方面具有重要的全球意义。由于这些现有工具的成本，营养品质育种正成为全球大多数育种计划的瓶颈。因此，低成本、高通量的表型分析工具将成为选择优良种质进行品种开发和基因鉴定进行豆类品种开发的研究热点。本出版物解释了表型工具的新兴和未来趋势，这些工具对豆类育种和提高营养质量是可行的。

基于光谱和成像技术的精准农业工具现在为营养和农艺性状的高通量表型分析(high-throughput phenotyping，HTP)做出了贡献，从而加快了品种发育的育种和选择。傅里叶变换中红外光谱(Fourier transform mid-infrared，FT-MIR)已成为一种可靠的分析豆类作物宏观营养性状的HTP工具。利用无人机系统(UAV)的高光谱、多光谱和RGB成像技术已被开发用于测量谷物的农艺性状，但这些技术尚未开发并验证用于豆类作物。本文综述了不同的表型技术在作物营养和农艺性状育种中的应用，并综述了机器学习工具在优化HTP方面的应用。

图1  营养和农艺性状高通量表型(HTP)工具。(a)营养性状的傅里叶变换中红外光谱(FT-MIR)；(b)用于田间农艺性状表型分析的无人机系统；(c)农艺性状室内表型成像系统。

图2  豆类营养和农艺性状高通量表型(HTP)平台的工作流程，以及机器学习工具在预测农艺性状应对气候变化方面的应用。(a)傅立叶变换中红外光谱(FT-MIR)分析HTP营养性状的典型工作流程。(b)图像处理的关键步骤，以建立HTP农艺性状的摄影测量模型。(c)应用经过当前和过去一年表型(即作物产量和成熟期)和气候(即降雨和温度)数据训练的神经网络，预测即将到来的育种周期(即未来2年)可能出现的表型结果。

图3  营养性状的不同化学分析技术。