基于图像处理技术的菜用大豆豆荚高通量表型采集与分析

张小斌 谢宝良 朱怡航 郑可锋 顾 清

(浙江省农业科学院数字农业研究所，浙江 杭州 310021)

菜用大豆[Glycinemax(L)Merr.]是以幼嫩荚果和籽粒作为蔬菜食用的一种专用型大豆品种[1]，俗称毛豆。菜用大豆味道鲜美、营养丰富、食用方便，深受我国以及东南亚国家人民的喜爱[2]。菜用大豆作为国内栽培历史悠久、分布范围广、产销量巨大的大豆种类之一，育种工作却因表型信息采集效率低下而受到限制。表型指植物在基因型和环境共同作用下表现出来的形态、结构和生理生化等特性[3-4]。对植物表型进行精确鉴定与度量是开展遗传分析、基因发掘、分子标记开发等后续工作的基础[5-6]。精确评估菜用大豆的重要表型性状对新品种培育、菜用大豆种质资源库建设具有重要意义[7-8]。

传统的菜用大豆表型获取方式主要依靠人工手段，对植株、果实或种子进行逐个观测并手动记录、管理数据。人工测量不仅费时费力，还存在测量精度低、可重复性差的问题，而且由于实验人员的主观性，易导致视觉评估出现偏差。依靠目前高通量、低成本的基因测序技术，已经积累了海量的基因型数据[9-10]，但获取高通量表型数据的能力仍是植物基因组学研究和育种工作的瓶颈[3]。高通量表型技术是指利用成像传感、图像处理和机器学习等技术，快速获取大批量植株表型信息的一种技术方法[11]，对提高植物表型采集的效率和准确性、加速新品种选育都有显著的促进作用[12]。

多样的植物表型性状信息可以通过各类成像设备，如数码相机、多光谱/高光谱相机、激光雷达设备等，以影像为载体获取[13]。通过自动化高通量的表型分析技术，获得植株或器官的形态结构特征，如形状、面积、颜色、纹理、数量、空间分布和大小等[3,12]。目前，国外已经研发了一些比较成熟的植物表型高通量分析平台，例如比利时CropDesign公司研制的高通量技术平台——TraitMill[14]，德国Lemna Tec公司搭建的“全自动高通量植物3D成像系统”(Scanalyzer 3D)[15]，澳大利亚的PlantScanTM系统等[16]。我国在最近几年也研发了一些先进的表型测量平台，例如郭庆华等[17]研发的高通量作物测量平台Crop3D和华中农业大学研发的高通量CT-RGB成像系统[18]。这些大型自动化表型数据采集平台一般都集成了光谱成像仪、热成像仪、RGB相机、荧光成像仪、激光雷达等多种传感器，虽然采集的性状多样，但是造价高昂、便捷性差、操作难度高，且每种解决方案都存在一定的局限性，因此在国内科研单位以及小型农业公司预算有限的情况下，这些设备难以被推广应用。此外，现有的表型平台大多侧重于植物叶片和植株表型的分析，缺少针对作物果实和种质资源表型采集方案的开发应用[8]。目前针对菜用大豆豆荚和种质资源的表型性状自动化采集尚无标准化的解决方案。因此，研发轻量化、定制化、低成本的表型测量平台，实现菜用大豆表型性状标准化、高通量获取，推动自动化辅助育种技术的普及应用，可以促进种质资源的有效鉴定和利用，加速菜用大豆育种技术、表型组学及基因组学研究的发展。

在植物高通量表型获取技术和平台中，可见光成像仍是实现表型分析与采集的主要途径[3]。利用图像处理技术可从图像中识别出目标区域，提取数量、分布、长度、面积和颜色等特征，从而实现高通量的表型信息采集[19]。目前，可见光图像处理技术已被应用于多种作物的多样表型信息采集，例如甜瓜果实颜色[20]、马铃薯大小和外形[21]、葡萄果实果序尺寸[22]、梨果实尺寸大小[5]、大枣外观形状参数[23]等。可见光成像的主要优点是成像率高、成本低、操作简单[24]，符合本研究构建一个轻量化、低成本表型采集系统的目标，且可以满足实现菜用大豆重要表型性状的分析提取。

菜用大豆一般带荚销售、食用，因此其豆荚的商品外观品质性状尤为重要[25-26]。本研究将利用计算机视觉技术中的图像处理分析方法，结合菜用大豆育种工作中高通量、标准化表型信息采集的需求，从可见光图像中深入挖掘豆荚外观表型性状数据，提出一套菜用大豆豆荚图像采集与表型分析方法。并通过试验确定最优参数，利用实物豆荚和标准物体验证分析结果的准确性，实现菜用大豆豆荚长度、弧长、宽度、面积、每荚豆粒数、弯曲夹角、标准色距等表型性状的自动化提取。在此基础上，应用图形用户界面开发一套相应的分析软件，用于菜用大豆豆荚表型数据的标准化、高通量、低成本获取，以期为菜用大豆育种提供辅助，提高育种工作的效率。

1 材料与方法

1.1 试验材料及图像获取

选择黄淮海地区生产的夏季菜用大豆作为试验材料用于表型图像分析。为确保分析结果的准确性，将采集的毛豆放置于保鲜盒中，并迅速带回实验室进行图像获取。

将毛豆竖直并排排列于A4白纸上，采用高拍仪(逊镭NTEUMM，SD-1000)进行拍摄获取原始图像。拍摄时将毛豆放置于高拍仪正下方，选择光线较好的位置，使用闪光灯模式拍摄。将尺寸参考卡(图1右下角黑白卡)放在高拍仪下一起拍摄，其中黑色方块为已知的1 cm × 1 cm的标准正方形，用于校准图像的分辨率。由于高拍仪的拍摄高度恒定不变，分辨率校准后再次拍摄无需放置参考卡。 豆荚摆放的方位不影响最小包围盒的计算，因此摆放角度无需严格一致，但为了其他指标描述和计算的统一性，豆荚的朝向需一致，本研究获取的图像中所有豆荚的摆放朝向均为短弧(凹边)朝左。

1.2 图像分析与表型提取算法

1.2.1 目标检测 采用红绿蓝RGB多通道灰度处理和二值图可视分析算法提取图像中的物体轮廓，以多边形坐标组的形式保存。为区分豆荚与参考卡中的黑色方块，设置长宽比阈值为1.2。

1.2.2 荚长计算 利用最小包围盒算法确定单个豆荚的外切矩形(图2-a)，以外切矩形长边长度作为豆荚的长度(L)；豆荚摆放的方位不影响最小包围盒的计算。

图2 毛豆豆荚表型图像分析算法示意图Fig.2 Schematic diagram of image algorithm for Edamame phenotype analysis

1.2.3 弦长和弧长计算 搜索豆荚顶端和末端拐点，确定端点位置(图2-c中A和B点)。拐点根据轮廓多边形坐标来确定，计算豆荚轮廓上每个点与邻近两点连接的线段所形成的夹角，从任意点开始搜索，角度为锐角的两个点即为上下端点。极个别的豆荚端点会出现大于90°的情况，可将角度的阈值设置为100°。连接A和B两点的线段长度即为弦长(c)。在豆荚图形边缘寻找最近似轮廓点，将所有邻近两点之间的直线距离累加作为弧长。以上下端点为分隔点确定左、右弧长(a和b)。

弦弧长比目前为部分育种人员用来描述豆荚弯曲程度的一个指标，计算方法为弦长(c)与凸边弧长(b)的比值(c/b)。c/b比值越大，荚形越直；比值越小，荚形越弯。

1.2.4 图像切割和每荚豆粒数计算 用垂直于外切矩形长边的线段，将豆荚图形平均分割为若干段(图2-b)，计算每条分割线与豆荚轮廓交点间的线段长度，若存在某条线段长度小于其上下两条邻近线段的长度，则认定此处为两颗豆粒之间的凹槽，将凹槽数目加1得到豆粒的数目。以三粒荚为例，豆荚被分割之后，计算机将搜索是否存在某条线段长度小于其上下两条线段的长度，理想情况下可以找出两条这样的线段，由此可计算出豆粒数目为3。若为一粒荚，便不存在符合上述情况的线段，即凹槽数量为0，根据算法可得出豆粒数目为1。

准确识别豆粒数的前提是确定豆荚图像的最优分割数量。根据前期初步测试分析可知，分割数量过多或过少都会出现错误的结果，而在某个连续的尺度范围内均可获得正确的粒数。因此，本研究采用试错法确定最优分割数量，即用多个分割尺度进行大量样品的测试，根据计算准确率确定最终的分割数。本文采用11至25之间的奇数作为分割尺度梯度，选择正确率为100%的连续尺度范围的中间值作为最优分割尺度。

1.2.5 荚宽计算 由于不同豆粒数的豆荚测量荚宽的位置不同，荚宽分析在完成豆粒数计算的基础上进行。对不同粒数的豆荚采用不同的计算方法。若每荚豆粒数为奇数(1粒和3粒)，计算中间豆粒的宽度作为荚宽，即豆荚图形平均分割成2段，取中间分割线与豆荚轮廓的两个交点间的线段计算长度为荚宽。若每荚豆粒数为偶数(2粒和4粒)，取中间两豆粒的平均宽度作为荚宽，即二粒荚分割成4段，取从上至下第2条和第4条线段的平均长度，四粒荚分割成8段，计算从上至下第4和第6条线段的平均长度作为荚宽。

1.2.6 豆荚面积计算 对于毛豆的豆荚图形，利用区域面积函数，结合图像分辨率和图像大小，通过计算其覆盖的面积得到。

1.2.7 弯曲夹角计算 由于豆荚左弧和右弧的弯曲程度不一致，仅用弦弧长比无法描述豆荚的整体弯曲程度。因此，使用弯曲夹角来描述豆荚弯曲度，即寻找豆荚的中心点并连接上下端点形成的夹角。将豆荚平均分成偶数段，以中间线段的中点作为豆荚的中心点(图2中的点O)，并以其为顶点，分别连接豆荚上下端点(点A和B)形成夹角(角AOB)，作为衡量豆荚弯曲程度的指标(图2-c)。由形状分析可以判断，夹角越大，豆荚的形状越直，角度越小，豆荚越弯。

1.2.8 颜色参数与标准色距 颜色参数以常用的RGB颜色空间为参照，分别提取豆荚范围内的R、G、B的平均值，代表整个豆荚的颜色水平，用以计算与参考育种目标之间的标准色距。参考育种目标的确定方法为育种人员从整批毛豆中挑选出10个色泽最佳的豆荚作为标准豆荚，提取每个豆荚的R、G、B颜色通道平均值，并计算10个豆荚的总体平均值作为标准参考值。标准色距的计算方法为豆荚颜色参数与标准参考值之间的欧式距离，即：

(1)

式中，D表示标准色距，r、g、b分别表示待测图形的颜色RGB均值，rs、gs、bs分别表示标准参考豆荚的颜色通道平均值。每个通道均值都是一个8位二进制数(0至255)。

拍摄高度和图像分辨率的不同会对分析结果造成影响，带来计算误差，因此需要在分析之前利用已知尺寸的标准方格对图像的分辨率进行识别校正。

1.3 测量结果验证

1.3.1 豆荚测量验证 采集生长饱满的新鲜毛豆豆荚样本50个，进行图像采集，并对部分指标进行人工测量。使用游标卡尺(得力DL91150)测量豆荚长度、弦长、宽度，每个指标测量3次，取平均值。对于弧长的测量，利用一根无弹性的细绳，沿豆荚的弧紧密完整贴合，确定端点在绳上的位置，再将细绳拉直后使用游标卡尺测量长度，即为毛豆单边的弧长。每一条弧长均测量3次，取平均值。对每个豆荚的豆粒数进行人工计数。

1.3.2 标定物测量验证 对于面积等手工难以测量验证的指标，采用标定物进行验证。标定物即尺寸、形状整齐且已知，并与目标物体具有一定相似性的物体，可用于检验图像识别技术提取指标的精确性。采用3种已知尺寸的圆形硬币(1角人民币：直径19 mm，5角人民币：直径20.5 mm，1元人民币：直径25 mm)和3种不同颜色、已知尺寸(19 mm ×76 mm)的矩形便签纸作为标定物。通过图像识别计算长度、面积等指标，并用游标卡尺对实际长度进行测量。通过硬币直径和矩形边长分别对两种标定物计算面积，最后对图像分析结果与实际测量结果进行比较验证。

1.3.3 精度评价 图像测量结果与人工测量结果使用IBM SPSS 23.0软件做方差分析与Pearson相关性分析，并利用均方根百分比误差(root mean square percentage error, RMSPE)和平均绝对百分比误差(mean absolute percentage error, MAPE)指数对图像测量结果进行评价，计算公式如下：

(2)

(3)

式中，n表示验证样本数量，Mi表示图像测得结果，Ai表示实际测量结果。

对于豆粒数计算的准确度，利用下式来进行评价：

(4)

式中，n表示验证样本数量，Mi表示图像分析计算每荚豆粒数，Ai表示实际每荚豆粒数。

误差与精度评价指数均在Excel 2016软件中进行计算。

1.4 毛豆图像采集分析系统

基于上述图像识别技术，采用图形用户界面(graphical user interface, GUI)方式，利用NET Framework 4.0框架和EmguCV 2.4.10图像库开发“毛豆图像采集分析系统”软件。软件包含图像采集、图像校准、图像分析、结果输出等基本功能，可自动分析提取单个豆荚长度、宽度、弧长、弯曲度、面积、颜色参数RGB均值等表型性状。软件与图像高拍仪设备配套连接，可以通过软件操作直接获取毛豆豆荚批量个体图像，并通过自带的数据管理功能对图像进行管理，可有效节省数据拷贝传输的时间。所有结果可按表格形式查看，获取均值、极值等基本统计特征，并可导出数据为Excel文件。软件界面简洁，功能清晰，可免安装直接使用，操作方便快捷。主要操作流程和界面如下：

1、图像的采集与校准(图3-a)。直接连接高拍仪对毛豆连同尺寸参考卡进行拍摄，自动识别毛豆轮廓和参考卡上的黑色方块，并进行编号。利用参照卡中的任一黑色方块(1 cm2)作为参考标准计算图像的分辨率。

2、表型计算(图3-b)。根据基本参数设置自动分析表型参数，并对计算结果进行显示。

3、可视化示意图(图3-c)。显示单个豆荚图形分割情况，端点、中心点识别位点。

4、数据管理(图3-d)。按编号将分析结果表格化显示，可对数据进行批量管理，查看均值、标准差等基本统计情况，也可导出为Excel文件。

2 结果与分析

2.1 豆粒计数中的图像分割数量

每荚豆粒数是毛豆重要的表型性状。为了确保图像分析结果的精确性，需要确定豆荚图像的最优分割数量。将毛豆图像的分割数量设置为11、13、15、17、19、21、23、25的梯度(图4)，对每个毛豆样品的图像进行测试分析，比较在不同分割尺度下的豆粒数计算精度与误差。不同分割尺度下50个豆荚豆粒计算的总粒数及正确率如图5所示。分割数量小于21的结果中，计算正确率均为100%。从数量21开始出现计算错误，并且随着分割数量的增加，准确率不断下降。在分割数量过大的情况下，由于豆荚边缘并不均匀，邻近的截面长度(豆荚宽度)会有细微的差别，容易出现符合算法中的某条截面长度小于前后两条的情况，造成误算，使分析结果大于实际粒数。而在合理的分割数量下，符合算法的截面位于两个豆粒之间的凹槽。为了兼顾准确率与计算速度，将豆粒数计算的最优分割尺度定为11至19之间5个奇数的中间值15，经过后期反复验证亦未见出现错误。图5中的分析结果是基于所有供试材料计算得出的，其中包含了一粒荚、二粒荚、三粒荚和四粒荚。因此，最佳分割数量适用于任何粒数的豆荚。另外，极个别一粒荚也会出现凹槽，导致计算机误判，对此需要依靠人工辅助识别纠正，但总体来说并不影响目前实际育种工作中的使用。

2.2 弯曲度

本研究提出利用豆荚中心点作为顶点，分别连接豆荚上下两个端点，将形成的夹角作为衡量豆荚弯曲度的指标。为了证明该弯曲夹角用于表示豆荚弯曲度的可行性，本研究将此夹角与弦弧长比进行了对比及相关性分析。由图6可知，形状越直的豆荚，弯曲夹角越大，弦弧长比越接近于1；形状越弯的豆荚，弯曲夹角越小，弦弧长比值也越小。因此，两者皆在一定程度上反映了豆荚的弯曲情况。为了考察弯曲夹角与弦弧长比之间的关系，对50个豆荚样本的弯曲夹角和弦弧长比进行了相关性分析。由图7可知，弯曲夹角与弦弧长比之间存在显著的正相关性，R2值为0.761 9(P< 0.01)。因此，本研究提出的弯曲夹角指标，可以用于衡量毛豆豆荚的弯曲度。

2.3 标准色距

从整批毛豆中依靠育种人员的经验挑选出10个色泽最佳的豆荚作为育种目标豆荚，计算这10个豆荚的总体R、G、B颜色通道平均值作为标准参考值。另外根据肉眼观察挑选7个呈不同颜色梯度的豆荚(图8)，其中4#至7#豆荚为存放多日并开始变色的豆荚，编号越大的豆荚与标准豆荚间的颜色差异越大。通过图像分析获得各个豆荚的R、G、B颜色通道平均值，计算每个图形与标准颜色参考值之间的标准色距，值越小表示与参考豆荚的颜色均值越接近。若结果符合肉眼观察的梯度，则该方法便可以定量评估毛豆豆荚的颜色性状与育种目标之间的差距。图9所示为标准色距的分析结果。结果表明，1#～7#豆荚颜色与标准颜色参考值之间的标准色距逐个增大，符合肉眼判断的颜色差异变化。表明图像分析能够实现不同豆荚间颜色差异的量化分析，为定量评估毛豆颜色性状与育种目标之间的差距提供技术手段。

注：a：主界面；b：表型指标计算与显示；c：单个豆荚分割示意；d：数据管理界面。Note: a: Main interface. b: Pod phenotypic index diagram. c: Pod segmentation diagram. d: Data management interface.图3 毛豆图像采集分析系统基本功能与软件界面Fig.3 Interfaces of the edamame image acquisition and analysis system

注：分割数量分别为11、13、15、17、19、21、23、25。Note: The numbers of segments were 11, 13, 15, 17, 19, 21, 23 and 25.图4 每荚豆粒数计算中的豆荚图形分割示意图Fig.4 Pod segmentation diagram in the calculation of seed number per pod

图5 不同分割尺度下豆粒计算的总粒数及正确率Fig.5 The total number of soybean seeds and calculative accuracy under different segmentation scales

2.4 测量结果验证

通过人工测量对图像分析结果进行验证，对指标分别进行人工测量和图像分析计算并进行对比。标定物的验证方法为：3种不同的硬币用于直径与面积的验证；3种不同颜色的长方形便签纸用于长度和宽度的检验。前述挑选的50个毛豆豆荚用于实物验证。每种标定物的测量数目均为50。

结果表明，对于所有硬币和便签纸，通过图像分析计算得到的直径、面积、便签纸长度和宽度与实际测量值均无显著差异(P>0.05)，决定系数R2大于0.96，其中硬币直径、便签长度和宽度的测量误差值均小于0.03，硬币面积的测量误差值小于0.06(表1)，这表明标定物图像分析结果与人工测量值的准确度相当。不同颜色便签的长度和宽度实测值和图像分析值均无显著差异(P>0.05)，说明颜色差异不会影响图像分析的结果。另外，图像中计算得出的指标平均值均小于实际测量平均值，这是由于成像几何误差使图像中远端图形比真实范围小，导致计算结果偏小，但是误差较小，后期可通过运算进行校正。

毛豆豆荚实物分析结果表明，图像分析方法可以准确识别出图像中的所有豆荚，轮廓清晰，排序无误，多次测试结果稳定无变化(参看图3-a)。图像分析得出的左右弧长、荚长、荚宽、弦长、弯曲夹角与人工实际测量值无显著差异(P>0.05)，测量误差值均小于0.07，R2大于0.95(表2)，这表明豆荚图像分析结果与实际测量值的准确度相当。另外，弧长、荚长、荚宽和弦长等指标的图像分析结果也均小于实测平均值，原因和标定物相同，误差在可接受范围之内。

3 讨论

菜用大豆的表型采集工作涉及大量人工重复测量，有必要应用高通量自动化手段以提高工作效率。本研究基于图像处理技术开发了一套自动测量系统

图7 弯曲夹角与弦弧长比之间的相关关系Fig.7 The correlation between bending angle and chord arc ratio

图8 标准豆荚(1#)及不同颜色梯度的豆荚Fig.8 Standard pod (1#) and pods with a color gradient

表1 标定物图像测量与实际测量结果比较Table 1 Comparison between image recognition and calipers measuring of calibration objects

表2 毛豆豆荚图像测量与实际测量结果比较Table 2 Comparison between image recognition and calipers measuring of pods

图9 不同颜色豆荚与标准豆荚之间的标准色距Fig.9 Standard color distances between different pods and standard pod

，实现了毛豆豆荚多种表型性状的自动化分析，提高了毛豆表型信息的采集速度和精确度。与人工测量相比，该系统在效率上有明显提升，可以大幅缩减人工的工作量，并减少因疲劳、误操作等人为因素导致的测量错误。同时，该方法还可以降低部分性状的测量误差，如弧长的测量，由于豆荚具有一定厚度并且侧面不规则，导致人工测量容易产生较大的误差，而图像处理方法在同一平面上进行识别计算，能够获得较为精确、统一的数据。另外，利用计算机技术可以实现部分人工无法测量或较难测量的性状的标准化采集，例如颜色和面积。利用图像颜色通道值计算的标准色距可以按照统一标准量化评价豆荚的颜色性状，且利用图像分割方法可以快速准确地获取豆荚的截面面积。

豆荚的弯曲度是菜用大豆重要的表观性状，但在当前的育种工作中，对于豆荚弯曲度的衡量尚无统一的标准。部分育种工作者利用弦长与弧长的比值来评估弯曲度，虽然在一定程度上可以反映豆荚的弯曲程度，但由于左右两弧的弯曲程度并不相同，因此用弦长与其中一条弧长的比值并不能精确地描述豆荚整体的弯曲度。例如图10中的两个豆荚，用肉眼判断右边的豆荚比左边的更弯，且利用本方法计算的弯曲夹角分别为153.8°和152.7°，表示右侧的豆荚弯曲度更大，符合肉眼的观察结果。但是如果用弦弧长比来表示，左侧的豆荚(0.73)小于右侧(0.77)，表示左侧豆荚的弯曲度更大，并不符合真实情况。分析两个豆荚的形状可以发现，左侧豆荚的左弧比较直，右弧比较弯，因此基于右弧长计算的弦弧长比无法准确描述豆荚的整体弯曲程度。鉴于此，本研究提出的算法，即利用豆荚上下端点分别连接豆荚中心点的两条线段形成的夹角，作为衡量豆荚弯曲度的指标，从豆荚整体的弯曲程度来考虑，兼顾左右两弧，取中间位置进行角度计算，对豆荚弯曲度的计算更为准确与合理。

图10 弯曲夹角与弦弧长比不一致情况示例Fig.10 An example of the inconsistency between the bending angle and the chord arc ratio

颜色作为重要的育种性状，一直以来都靠人眼观察凭经验进行评价，难以实现量化和标准化[19-20]。本研究借助图像处理技术，利用常用的RGB颜色空间提取毛豆豆荚的颜色参数，并和作为参考的标准豆荚进行对比计算标准色距，结果符合肉眼判断的颜色差异变化。因此此方法可以定量评估豆荚颜色性状及其与参考目标之间的差距，为育种工作提供准确可量化的颜色信息。由于图像的采集对环境光线十分敏感，不同光线环境中获取的图像会存在一定的差异[27]。若对在不同时间或区域获取的图像进行对比分析，可能会存在一定的误差。因此，图像采集环境需要尽量保持一致，通过固定拍摄区域、照明设备和拍摄参数等措施可以提高多期数据的可靠性和稳定性。另外，在计算色差(色距)的时候，使用不同的颜色空间也会对结果带来影响[28]。本研究仅对利用颜色通道值进行豆荚颜色性状量化评价的可行性进行探讨，下一步需要对多期图像进行对比试验，并尝试使用更多的颜色空间(如LAB空间)，在颜色和色差量化的精确性和稳定性等方面作更深入的研究与探讨。

4 结论

本研究利用计算机图像处理技术提出了一套菜用大豆豆荚表型信息采集分析方法，并开发了相应的分析系统软件，实现了菜用大豆豆荚荚长、荚宽、弦长、弧长、面积、每荚豆粒数、弯曲度、标准色距等表型信息的自动化、标准化采集和批量化快速获取。测量验证结果表明，图像分析结果可以达到与实际测量值相当的精确度。在确定最优分割数量的基础上，用水平分割比较横截线段长度的方法可以准确获取每荚豆粒数。本研究提出利用豆荚中心点连接上下端点形成的夹角作为衡量豆荚弯曲度的指标，对豆荚整体弯曲度的描述更为准确与合理。利用标准颜色参考值计算豆荚标准色距能够对豆荚颜色性状与育种目标之间的差距进行定量化评价。