大豆起源于我国,是重要的粮食和油料作物,但在我国每年却有几千万吨的缺口需要进口来补充,究其原因是缺乏高产高质的品种,致使农民缺乏种植热情,种植面积不断减少。针对这一现状,选育出高产量、高品质的大豆品种成了大豆育种工作者迫在眉睫的任务。如何才能稳定而高效地培育出大豆新品种呢?对传统育种过程的优化将起到关键作用。当前最重要的优化育种策略是分子辅助育种和分子设计育种,这两种策略能否有效地实施却取决于相关性状遗传基础解析的程度,而表型鉴定的精准化和通量化是解析性状遗传规律的重要基础,由此可见自动与精确地表型获取与测量成了加速育种进程的关键节点之一。本研究针对大豆收获后的表型调查阶段,即“考种”阶段的大豆植株,以机器视觉和深度学习技术的各种模型算法为手段,对分解后的茎秆、豆荚和籽粒进行自动化识别、定位和测量,进而获得一系列高准确性和高稳定性的算法和模型。此外,针对育种过程中另一个重要问题——选种,本研究也进行了探索,同样收获了两个高效准确的卷积神经网络模型。本文的试验材料来自于实验室前期收集的资源群体以及构建完成的RILs、CSSLs群体,图像处理及深度学习任务是在一台操作系统为Windows10,运行内存为32G,处理器为英特尔酷睿i9,并搭载了一块英伟达Titan Xp GPU的服务器上进行的。本文的具体研究工作如下:(1)基于目标检测的大豆主茎相关表型自动化识别大豆主茎相关表型主要是指主茎的长度、节数和节间距等。本研究采用像素级别的目标检测网络Mask R-CNN,首先,把主茎节位作为目标,通过对网络的训练优化得到了目标检测器,然后,通过对目标比较、分类和框定,计算出以像素数为单位的目标对象位置和尺寸,最后,通过参考点校正获得主茎的真实表型。此外,在本部分还给出了基于主茎表型进行的材料选择方法,并在一个导入系群体中进行了实践。(2)基于迁移学习的大豆豆荚识别分类与表型自动化提取大豆豆荚分类是指对具有不同荚位数的豆荚进行分类(一般可分成一粒荚、二粒荚、三粒荚和四粒荚),单个豆荚的表型主要是豆荚的长度和宽度。首先,本研究对多个迁移来的深度网络进行训练、优化和建模,然后,比较分析获得了具有较高精度的豆荚分类器,最后,通过机器视觉技术计算出某一类型的某个豆荚的长度和宽度。(3)基于机器视觉与深度学习算法的大豆籽粒考种与选种研究大豆籽粒的考种表型主要有粒长、粒宽和种皮色等;大豆选种主要是指种植前对种子品质进行筛选。首先,本研究通过机器视觉技术对大豆籽粒的形状、颜色和纹理等表型参数进行提取。然后,通过设计网络、训练网络和优化参数等一系列操作获得了一个对籽粒品质能够高效准确识别的卷积神经网络。最后,通过迁移学习得到了一个对不同品质的大豆籽粒细化分类的高精度卷积神经网络。通过上述研究工作的探索,本项目获得一系列高准确性和高稳定性的算法和模型,这些结果为即将搭建的大豆自动化考种平台和实现播种前自动化选种提供最重要的核心算法和模型支撑。