La identificación precisa de las vainas de soja es un requisito importante para obtener rasgos fenotípicos como el número efectivo de vainas y el número de semillas por planta. Sin embargo, los métodos tradicionales de procesamiento de imágenes son sensibles a la intensidad de la luz, y los métodos de extracción de características son complejos e inestables, lo que no es adecuado para tareas de clasificación de vainas. En el contexto de la agricultura inteligente, muchos expertos y académicos utilizan métodos de algoritmos de aprendizaje profundo para obtener el fenotipo de las vainas de soja, pero a menudo se ignoran las vainas vacías y las semillas abortadas en la clasificación de vainas, lo que resulta en ciertos errores en los resultados de conteo. Por lo tanto, en este documento se propone un nuevo método de clasificación basado en el número de semillas efectivas y abortadas en las vainas de soja, y se ajustan los parámetros de supresión del máximo. Finalmente, se verifica el método. Los resultados muestran que nuestro método de conteo de clasificación puede reducir eficazmente los errores en el conteo de vainas y semillas. Al mismo tiempo, este documento diseña un conjunto de datos de vainas basado en la captura multi-dispositivo, en el que el conjunto de datos de entrenamiento después de la ampliación de datos tiene un total de 3216 imágenes, y el conjunto de datos de prueba de imágenes distorsionadas, el conjunto de datos de prueba de imágenes de vainas de alta densidad y el conjunto de datos de prueba de imágenes de píxeles bajos incluyen 90 imágenes, respectivamente. Finalmente, se entrenan cuatro modelos de detección de objetos, Faster R-CNN, YOLOv3, YOLOv4 y YOLOX, en el conjunto de datos de entrenamiento, y se compara el rendimiento de reconocimiento en los tres conjuntos de datos de prueba para seleccionar el mejor modelo. Entre ellos, YOLOX tiene el mejor rendimiento integral, con una precisión promedio media (mAP) del 98,24%, 91,80% y 90,27%, respectivamente. Los resultados experimentales muestran que nuestro algoritmo puede lograr de manera rápida y precisa el recuento de alto rendimiento de vainas y semillas, y mejorar la eficiencia de las pruebas de semillas en interiores de soja.