基于U-Net模型和FCM算法的番茄穴盤苗重疊幼葉分割方法

趙廣猛 王衛(wèi)兵

摘要：針對(duì)傳統(tǒng)方法對(duì)番茄穴盤苗重疊幼葉圖像分割精度較低、背景剔除困難的問(wèn)題，提出一種基于U-Net模型和模糊C均值聚類（FCM算法）相結(jié)合的圖像分割方法。首先用ExRG法對(duì)圖像的背景進(jìn)行剔除，得到待分割幼葉的主體區(qū)域，對(duì)圖像進(jìn)行預(yù)處理。其次建立數(shù)據(jù)集，訓(xùn)練網(wǎng)絡(luò)模型，用預(yù)訓(xùn)練的U-Net模型分割幼葉主體區(qū)域，提取其過(guò)渡區(qū)域;同時(shí)用FCM算法分割幼葉主體區(qū)域，提取其過(guò)渡區(qū)域。然后結(jié)合FCM算法分割得到的過(guò)渡區(qū)域和U-Net模型分割得到的過(guò)渡區(qū)域，得到重疊葉片的最終分割結(jié)果。最后，為了得到精準(zhǔn)的評(píng)估結(jié)果，將重新連接的過(guò)渡區(qū)域進(jìn)行填充，并與其他文獻(xiàn)所述的算法進(jìn)行對(duì)比分析。結(jié)果表明，所提出的基于U-net模型和FCM算法對(duì)穴盤苗幼葉輪廓分割的結(jié)果更加準(zhǔn)確，泛化性更強(qiáng)。證明對(duì)番茄幼苗葉片圖像分割的有效性，為幼苗生長(zhǎng)狀況的檢測(cè)研究提供了支持。

關(guān)鍵詞：穴盤苗幼葉;U-Net模型;FCM算法;圖像分割;結(jié)合分割

中圖分類號(hào)： S641.2? 文獻(xiàn)標(biāo)志碼： A

文章編號(hào)：1002-1302（2022）02-0206-07

收稿日期：2021-04-14

基金項(xiàng)目：國(guó)家自然科學(xué)基金（編號(hào)：61763042）。

作者簡(jiǎn)介：趙廣猛（1994—），男，山東德州人，碩士研究生，主要從事圖像處理研究。E-mail：1032404305@qq.com。

通信作者：王衛(wèi)兵，碩士，教授，主要從事機(jī)械CAD/CAM一體化技術(shù)。E-mail：2571490652@qq.com。

由于我國(guó)自然資源的優(yōu)勢(shì)，番茄種植面積、產(chǎn)量和出口量均位居世界前列，大面積種植的加工番茄農(nóng)作物的移栽技術(shù)正在逐步推廣[1]。在番茄苗移栽的過(guò)程中，番茄穴盤苗的生長(zhǎng)狀況的好壞，對(duì)后期番茄幼苗移栽成活率、番茄質(zhì)量起到了關(guān)鍵性的作用[2]。傳統(tǒng)檢測(cè)穴盤苗生長(zhǎng)狀況的主要方式是通過(guò)人眼辨別，費(fèi)時(shí)費(fèi)力。隨著智能農(nóng)業(yè)裝備的普及，基于機(jī)器視覺(jué)檢測(cè)穴盤幼苗生長(zhǎng)狀況的研究正在有效開(kāi)展，而在機(jī)器視覺(jué)檢測(cè)幼苗的過(guò)程中，非常重要的環(huán)節(jié)是對(duì)幼苗葉片區(qū)域進(jìn)行分割。同時(shí)，幼苗葉片區(qū)域的分割也是幼苗種類識(shí)別、幼苗病蟲(chóng)害識(shí)別不可缺少的重要步驟[3]。近年來(lái)，國(guó)內(nèi)外學(xué)者在葉片分割方面開(kāi)展了大量研究。孫俊等用粒子群優(yōu)化（PSO）和最大類間方差法（Ostu）相結(jié)合的方式分割生菜葉片面積，縮短了算法的運(yùn)行時(shí)間，但是分割效果并不是非常的明顯[4]。鄭艷梅等用BiseNet卷積神經(jīng)網(wǎng)絡(luò)和引導(dǎo)濾波相結(jié)合的方式，提出了一種新的葉片圖像分割算法，可以很好地保留蘋果葉片周邊細(xì)小的輪廓[5]。Praveen Kumar等利用圖像增強(qiáng)技術(shù)和圖形模型進(jìn)行植物圖像分割和葉片計(jì)數(shù)，當(dāng)葉片為圓形或橢圓形時(shí)，對(duì)葉片區(qū)域的分割和葉片數(shù)量的統(tǒng)計(jì)效果顯著，但對(duì)光照條件有較強(qiáng)的要求[6]。Ping等利用像素的顏色和空間特征訓(xùn)練玉米葉片分割模型，然后應(yīng)用基于空間結(jié)構(gòu)分析的圖像修復(fù)技術(shù)對(duì)傳統(tǒng)玉米分割結(jié)果進(jìn)行修復(fù)，算法能夠從復(fù)雜背景或不同光照條件下的圖像中分割出玉米植株[7]。Anam等采用粒子群優(yōu)化的K均值算法的目標(biāo)函數(shù)對(duì)蘋果葉斑病進(jìn)行分割[8]?，F(xiàn)有相關(guān)文獻(xiàn)研究的都是對(duì)農(nóng)田成熟作物葉片區(qū)域的分割以及病害區(qū)域的提取，而對(duì)穴盤中幼苗葉片區(qū)域的提取以及幼葉重疊區(qū)域的分割研究相對(duì)較少。

很多傳統(tǒng)的穴盤苗圖像分割算法，如邊緣檢測(cè)分割、小波變化分割、區(qū)域分割、分水嶺分割，有計(jì)算簡(jiǎn)單、效率高、易訪問(wèn)等優(yōu)點(diǎn)，都是利用圖片邊緣處的像素灰度值的變化，也就是圖像灰度的特征信息來(lái)進(jìn)行圖像分割的，在簡(jiǎn)單的場(chǎng)景下能夠獲得較好的分割結(jié)果，但是這些傳統(tǒng)算法分割的結(jié)果對(duì)指定參數(shù)和圖像的預(yù)處理有很強(qiáng)的依賴性[9]。針對(duì)上述問(wèn)題，本研究提出了一種基于U-Net和FCM算法（簡(jiǎn)稱UF算法）的穴盤苗幼葉圖像分割方法，在于提高番茄穴盤苗重疊幼葉的分割精度，并使該方法更具普適性。

1 材料與方法

1.1 數(shù)據(jù)獲取

本研究所選用的試驗(yàn)材料為番茄粉抗8號(hào)，在室內(nèi)條件下種植，土壤類型為椰糠土，所選用的穴盤為32個(gè)穴孔（4×8式）的番茄苗穴盤，部分穴盤見(jiàn)圖1。在每個(gè)穴盤的正上方配備1個(gè)初始高度為50 cm的攝像機(jī)，攝像機(jī)的高度和焦距隨幼苗的生長(zhǎng)手動(dòng)調(diào)整。在4月1—5日的幼苗生長(zhǎng)期內(nèi)，每天08：00—18：00每1 h拍照取樣1次。由于有的穴孔中播種了2株番茄幼苗，且2株幼苗間生長(zhǎng)狀況不同，使得番茄幼葉交叉重疊，部分試驗(yàn)情況見(jiàn)圖2。

1.2 研究方法

本研究提出UF算法分割可分為4個(gè)階段：第一階段，用ExRG法將幼葉從背景中提取出來(lái)，其閾值由最小誤差分割法確定，得到幼葉主體區(qū)域;第二階段，對(duì)獲取的試驗(yàn)圖像進(jìn)行裁剪，過(guò)濾掉無(wú)效數(shù)據(jù)，對(duì)有效圖像進(jìn)行標(biāo)記，建立數(shù)據(jù)集，訓(xùn)練、驗(yàn)證U-Net模型。第三階段，用訓(xùn)練好的U-Net模型對(duì)幼葉主體區(qū)域進(jìn)行分割;同時(shí)用FCM算法對(duì)幼葉主體區(qū)域進(jìn)行分割。第四階段，用本研究提出的結(jié)合分割方法，將基于FCM算法提取的過(guò)渡區(qū)域和U-Net模型提取的過(guò)渡區(qū)域進(jìn)行結(jié)合分割。算法流程見(jiàn)圖3。

1.2.1 幼葉主體區(qū)域的提取

在對(duì)穴盤幼葉進(jìn)行圖像處理前，需要先將幼葉與背景分離。通過(guò)增加幼葉區(qū)域與非幼葉區(qū)域的對(duì)比度，來(lái)生成一個(gè)突出的特定感興趣區(qū)域，通常用ExRG方法[10]，即超綠減去超紅指數(shù)，可以放大綠色植物與背景顏色的差異，通過(guò)綠色幼苗與基質(zhì)土和穴盤顏色的不同來(lái)分割綠色植物，來(lái)突出幼葉區(qū)域與非幼葉區(qū)域的區(qū)別。公式如下：

ExG=2G-R-B;（1）

ExG=1.4R-B;（2）

ExRG=ExG-ExR。（3）

式中：R、G、B分別為綠、紅、藍(lán)歸一化的顏色分量。

本研究在ExRG的基礎(chǔ)上，通過(guò)最小誤差分割法，確定幼葉與背景之間分割的閾值。最小誤差分割法是一種基于高斯分布的方法。假定圖像中的幼葉區(qū)域（圖4中實(shí)線）和非幼葉區(qū)域（圖4中虛線）服從高斯分布，由高斯分布的特點(diǎn)可知2條曲線的交點(diǎn)（圖4中Q點(diǎn)）即為誤差分割的最小閾值。本研究所獲取的圖片是在自然條件下獲取的，服從高斯分布規(guī)律，因此該方法可以用來(lái)尋找閾值的最小值。用ExRG法對(duì)樣本1的穴盤苗圖像處理后的結(jié)果見(jiàn)圖5，幼葉區(qū)域被完整的從背景區(qū)域中提取出來(lái)，并且幼葉區(qū)域的邊緣完整清晰。

1.2.2 U-Net分割模型的構(gòu)建

1.2.2.1 數(shù)據(jù)的預(yù)處理

獲取的試驗(yàn)數(shù)據(jù)原始圖像像素大小為3 072像素×2 048像素，由于原始圖像分辨率較大，為了避免無(wú)用信息的干擾，提高前置背景與后置背景的對(duì)比度，將試驗(yàn)數(shù)據(jù)的分辨率裁剪為521像素×512像素，同時(shí)去除掉無(wú)效圖片。

為了解決樣本不足的問(wèn)題，防止過(guò)擬合現(xiàn)象的出現(xiàn)，通過(guò)任意角度旋轉(zhuǎn)變換和透視變化、最小二乘法變換擴(kuò)大樣本集，由之前200張樣本集擴(kuò)充為（200×16）張樣本集，并將樣本集打亂，用留出法將訓(xùn)練集、驗(yàn)證集、測(cè)試集按照3 ∶1 ∶1的比例即訓(xùn)練集1 920張、驗(yàn)證集640張、測(cè)試集640張隨機(jī)分配，最大程度上保證數(shù)據(jù)分布的一致性，避免因數(shù)據(jù)劃分過(guò)程中引入額外的偏差而對(duì)最終結(jié)果產(chǎn)生不必要的影響。

1.2.2.2 U-Net模型的改進(jìn)

U-Net在全卷積神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)上對(duì)其結(jié)構(gòu)進(jìn)行優(yōu)化，是一種改進(jìn)型全卷積神經(jīng)網(wǎng)絡(luò)，其網(wǎng)絡(luò)結(jié)構(gòu)的前半部分和傳統(tǒng)的卷積網(wǎng)絡(luò)相同，最初用于醫(yī)學(xué)圖像語(yǔ)義分割，隨后在目標(biāo)檢測(cè)與圖像分割中得到廣泛應(yīng)用[11]。由圖6可見(jiàn)，該網(wǎng)絡(luò)結(jié)構(gòu)包括收縮路徑和擴(kuò)展路徑2個(gè)部分，并且收縮路徑和擴(kuò)展路徑呈對(duì)稱分布。其中，左側(cè)收縮路徑用來(lái)捕獲幼苗圖像中的幼葉區(qū)域信息相關(guān)的全局特征，由重復(fù)的卷積層和最大池化層構(gòu)成，卷積核大小為3×3，最大池化層大小為2×2，下采樣過(guò)程會(huì)加倍特征通道數(shù)目。右側(cè)的擴(kuò)張路徑用來(lái)對(duì)幼苗圖像中的幼葉區(qū)域進(jìn)行精準(zhǔn)定位，恢復(fù)高級(jí)語(yǔ)義特征和空間信息，上采樣過(guò)程會(huì)減半特征通道數(shù)量，然后將反卷積得到的特征圖與相應(yīng)的收縮路徑特征圖進(jìn)行拼接融合，并將拼接后的結(jié)果進(jìn)行卷積操作[12]。

原始的U-net網(wǎng)絡(luò)使用ReLU激活函數(shù)，雖然ReLU激活函數(shù)可以緩解梯度消失問(wèn)題，使收斂時(shí)的速度加快，但是ReLU激活函數(shù)更容易忽略包含有用信息的負(fù)激活，在模型訓(xùn)練中分割效果不明顯。本研究使用Maxout激活函數(shù)代替ReLU激活函數(shù)，Maxout公式如下：

f（x）=max（wT1x+b1，wT2x+b2，…，wTnx+bn）。（4）

式中：wi為每個(gè)神經(jīng)元連接的權(quán)重;bi為偏移量。

Maxout函數(shù)既可以有效緩解梯度消失問(wèn)題，又

可以避免ReLU中出現(xiàn)的神經(jīng)元死亡問(wèn)題。同時(shí)，像傳統(tǒng)的ReLU激活函數(shù)只能對(duì)二維函數(shù)進(jìn)行數(shù)據(jù)擬合。Maxout激活函數(shù)還能對(duì)任意維度的函數(shù)進(jìn)行數(shù)據(jù)擬合，提高模型的普適性。幼葉分割屬于二元分類問(wèn)題，考慮的是像素是否作為幼葉像素，交叉熵被用作損失函數(shù)[13-14]，具體公式如下：

L=-1m∑mi=1[tilog2yi+（1-ti）log2（1-yi）]。（5）

式中：L為交叉熵?fù)p失函數(shù);m為訓(xùn)練數(shù)據(jù)的總數(shù);yi為網(wǎng)絡(luò)模型的預(yù)測(cè)值;ti為網(wǎng)絡(luò)模型的真實(shí)值。

由于U-net網(wǎng)絡(luò)中有許多非線性隱藏層，導(dǎo)致模型在學(xué)習(xí)過(guò)程中輸入和輸出之間存在非常復(fù)雜的關(guān)系[13]。在訓(xùn)練數(shù)據(jù)有限的情況下，這些復(fù)雜關(guān)系中的許多關(guān)系都將涉及噪聲[14]。為了防止噪聲和過(guò)度擬合的現(xiàn)象，添加Dropout層可以在一定程度上解決這種問(wèn)題。Dropout方法就是在訓(xùn)練模型的過(guò)程中，將某些神經(jīng)元以一定的概率停止工作，增強(qiáng)模型的泛化性。Dropout公式如下：

ytrain=x1-p′? ξ>p′，ξ∈U（0，1）

0其他。（6）

式中：ξ為Bernoulii隨機(jī)函數(shù);p′為節(jié)點(diǎn)輸出概率。

1.2.3 基于FCM算法的幼葉主體區(qū)域分割

FCM算法最早由Dunn提出來(lái)的，隨后由Bezdek改進(jìn)而來(lái)[15]?；舅枷胧且郧蠼鈸p失函數(shù)為核心，這種聚類方法將給定的數(shù)據(jù)集通過(guò)不斷更新聚類中心和隸屬度矩陣使損失函數(shù)最小，得到對(duì)應(yīng)的隸屬函數(shù)和聚類中心，從而分到不同的相似組中，以完成對(duì)圖像的分割。損失函數(shù)具體如下：

JFCM=∑ci=1∑Nk=1umik ‖xk-vj‖2。（7）

式中：umik表示在i類中第k個(gè)樣本點(diǎn)xk的隸屬度矩陣;m表示模糊加權(quán)值;vj表示第j個(gè)聚類中心;‖xk-vj‖2 表示第k個(gè)樣本點(diǎn)到第j個(gè)聚類中心的歐式距離;c表示類別數(shù)。

在求解目標(biāo)函數(shù)的最小值時(shí)，在隸屬度歸一化的約束下，通過(guò)增加拉格朗日乘子來(lái)尋找和構(gòu)造新的函數(shù)。解決方案公式如下：

F（U，v1，…，vC，λ1，…，λn）=∑ci=1∑Nk=1（umik‖xk-vi‖2）+∑NK=1λk[∑ci=1（umik-1）]。（8）

式中：λk為拉格朗日乘數(shù)。對(duì)式（8）中的U和v求偏導(dǎo)的uik和vi如下：

uik=（‖xk-vi‖）-2/（m-1）∑ncl=1（‖xk-vi‖）-2/（m-1）;（9）

vk=∑nk=1umikxk∑nk=1umik。（10）

式中：n表示像素點(diǎn)的總數(shù)目。

利用FCM算法再次將幼葉主體區(qū)域分割，并將前景和背景之間存在的邊緣像素的平均值作為圖像前景和背景之間的參考閾值。在本試驗(yàn)中將類別數(shù)c設(shè)置為2，將模糊加權(quán)值m設(shè)置為2，終止標(biāo)準(zhǔn)值ε設(shè)置為10-6。

1.2.4 結(jié)合分割

U-Net模型雖然可以很好地將重疊的葉片分割開(kāi)，但由于網(wǎng)絡(luò)模型中卷積和池化層的存在，在分割幼葉過(guò)程中，對(duì)于幼葉邊緣存在凹槽狀時(shí)，易使分割出來(lái)的結(jié)果產(chǎn)生欠分割現(xiàn)象，結(jié)果如圖7-b所示。而基于FCM算法聚類分割的結(jié)果雖然可以避免產(chǎn)生欠分割現(xiàn)象，但是卻很難將重疊的幼葉分割開(kāi)（圖7-c）。因此，在FCM分割結(jié)果的基礎(chǔ)上，設(shè)計(jì)結(jié)合分割方案。首先將 U-Net 模型分割結(jié)果和FCM分割結(jié)果之間重疊的過(guò)渡區(qū)域提取出來(lái)，其中包含重疊葉片間的過(guò)渡區(qū)域，再將提取的結(jié)果與FCM分割的結(jié)果相結(jié)合，所得的結(jié)果即為最終的分割結(jié)果（圖7-d）。圖7-a為原始圖片，圖7-b為基于U-net網(wǎng)絡(luò)模型分割提取的過(guò)渡區(qū)域，圖7-c為基于FCM算法提取的過(guò)渡區(qū)域，圖7-d為結(jié)合分割。其中結(jié)合分割具體計(jì)算公式如下：

Ttrue=（TU∩TF）∪TF。（11）

式中：Ttrue表示最終的結(jié)合分割結(jié)果;TU表示U-Net模型的分割結(jié)果;TF表示FCM算法的分割結(jié)果。

2 模型的訓(xùn)練

該試驗(yàn)是在win10操作系統(tǒng)下，基于TensorFlow 1.4和keras 2.1.2的深度學(xué)習(xí)框架下完成的。所使用的編程語(yǔ)言為python，版本為python3.6，語(yǔ)言編譯器為pycharm，硬件環(huán)境為型號(hào)Intel i7-7700k處理器，GTX1060圖形顯卡，硬件內(nèi)存為 16 GB。

2.1 模型訓(xùn)練

在TensorFlow框架下實(shí)現(xiàn)本研究的U-Net網(wǎng)絡(luò)結(jié)構(gòu)（圖6），將訓(xùn)練集輸入到模型中，訓(xùn)練中使用小批量隨機(jī)梯度下降（mini-batch gradient descent，簡(jiǎn)稱MBGD）算法[16]，相對(duì)于隨機(jī)梯度下降（stochastic gradient descent，簡(jiǎn)稱SGD）其噪聲更小，相對(duì)于批量梯度下降（batch gradient descent，簡(jiǎn)稱BGD）其算法的迭代耗時(shí)更少，并且對(duì)大量數(shù)據(jù)的訓(xùn)練集有很好的梯度下降效果。通過(guò)大量的試驗(yàn)，確定了超參數(shù)，將初始學(xué)習(xí)率設(shè)置為0.1×10-5，學(xué)習(xí)率衰減因子設(shè)置為0.5，batch值設(shè)置為6，學(xué)習(xí)動(dòng)量設(shè)置為0.9，迭代次數(shù)設(shè)置為3×104次。模型訓(xùn)練過(guò)程中損失率見(jiàn)圖8，初期函數(shù)值迅速下降，迭代2 500次后函數(shù)基本收斂，雖然迭代2 500次后損失率有擾動(dòng)，但是基本穩(wěn)定在7.4×10-3。準(zhǔn)確率見(jiàn)圖9，迭代2 700次后函數(shù)基本收斂，準(zhǔn)確率基本穩(wěn)定在97%左右。模型訓(xùn)練結(jié)束后，將番茄苗測(cè)試集圖導(dǎo)入訓(xùn)練好的U-net模型中，進(jìn)行番茄幼苗圖像分割。

2.2 本研究算法的評(píng)價(jià)指標(biāo)

采用目前較為成熟的評(píng)判標(biāo)準(zhǔn)對(duì)本研究的算法進(jìn)行評(píng)估，即準(zhǔn)確率（Ac）、精準(zhǔn)率（Pr）、召回率（Re）和F1-分?jǐn)?shù)[17-18]。其計(jì)算公式如下所示：

Pr=TPTP+FP;（12）

Re=TPTP+FN;（13）

Ac=TP+TNTP+FN+FP+TN;（14）

F1-分?jǐn)?shù)=2×Pr×RePr+Re。（15）

式中：TP即真陽(yáng)性，表示正確預(yù)測(cè)為幼葉的樣本數(shù)量;FP即假陽(yáng)性，表示將背景預(yù)測(cè)為幼葉的樣本數(shù)量;FN即假陰性，表示將幼葉部分預(yù)測(cè)為背景的樣本數(shù)量;TN即真陰性，表示正確預(yù)測(cè)為背景的樣本數(shù)量。

為了將結(jié)果評(píng)價(jià)的更為合理，Dice系數(shù)也被用來(lái)評(píng)估本試驗(yàn)的結(jié)果。Dice系數(shù)通常用于評(píng)判給定圖像分割的性能[19]，這是2個(gè)不同目標(biāo)之間的一種相似性度量。Dice系數(shù)的值為2個(gè)目標(biāo)之間重疊像素?cái)?shù)除以2個(gè)目標(biāo)的總像素?cái)?shù)。Dice系數(shù)計(jì)算如下：

Dice=2×|E∩Q||E|+|Q|。（16）

式中：E表示本研究算法分割的幼葉區(qū)域像素;Q表示幼葉區(qū)域真實(shí)的像素;|E∩Q|表示2幅圖相交的像素。

3 結(jié)果與分析

為保證試驗(yàn)的準(zhǔn)確性，另取數(shù)據(jù)集外的10張圖片進(jìn)行試驗(yàn)。同時(shí)將文獻(xiàn)[14]中提到的分割方法作為對(duì)照，部分結(jié)果見(jiàn)圖10，文獻(xiàn)[14]是用L-M算法改進(jìn)BP神經(jīng)網(wǎng)絡(luò)，用平方誤差取代均方誤差，雖然可以提高收斂速度，但所產(chǎn)生的分割結(jié)果出現(xiàn)了較多細(xì)小輪廓，并且在幼葉與莖連接的細(xì)小區(qū)域，過(guò)分割現(xiàn)象嚴(yán)重。文獻(xiàn)[14]在進(jìn)行試驗(yàn)的過(guò)程中是將葉片從植物上摘取下來(lái)進(jìn)行圖像處理，對(duì)植株有一定的破壞性，試驗(yàn)過(guò)程中葉片背景簡(jiǎn)單，在實(shí)際應(yīng)用的過(guò)程中效果較差。

同時(shí)為了使對(duì)比效果更加明顯，將UF算法和文獻(xiàn)[14]中算法測(cè)試的性能指標(biāo)繪制成精準(zhǔn)率-召回率（P-R）曲線，結(jié)果如圖11所示。從圖11可以清晰地看出UF算法曲線在文獻(xiàn)[14]算法曲線上方，并將UF算法曲線完全包裹。所以本研究算法相對(duì)文獻(xiàn)[14]算法泛化性更強(qiáng)。

為了更加精準(zhǔn)和有效地評(píng)估本研究算法，與傳統(tǒng)分割算法和其他深度學(xué)習(xí)模型算法進(jìn)行定量的對(duì)比分析（表1）。從不同算法的分割性能結(jié)果對(duì)比（表1）可以看出，基于深度學(xué)習(xí)的分割R-CNN模型和U-Net模型的產(chǎn)生的分割結(jié)果要優(yōu)于基于傳統(tǒng)分割算法的圖論算法和粒子群算法。本研究算法與僅基于U-Net模型相比，其Pr值提高1.23百分點(diǎn)，Re值提高0.4百分點(diǎn)，Ac值提高0.43百分點(diǎn)，Dice系數(shù)提高1.84百分點(diǎn)。綜上所述，本研究分割算法提取的幼葉區(qū)域與幼葉區(qū)域真實(shí)值相近，邊緣清晰準(zhǔn)確。

4 結(jié)論

針對(duì)穴盤幼葉區(qū)域提取的過(guò)程中幼葉與背景分離困難、重疊葉片分割精度低的問(wèn)題，本研究設(shè)計(jì)了一種基于U-Net模型與FCM算法相結(jié)合的穴盤幼葉分割方法，與不同的算法進(jìn)行了分割效果對(duì)比。試驗(yàn)結(jié)果表明，本研究所提出的方法可以有效去除穴盤苗背景，準(zhǔn)確地分割重疊葉片，避免了傳統(tǒng)方法參數(shù)調(diào)整復(fù)雜的問(wèn)題，有效清晰地分割了幼葉區(qū)域，有較好的泛化效果，改善了幼葉的分割性能，可以為后續(xù)幼苗病蟲(chóng)害檢測(cè)、不同種類區(qū)分、質(zhì)量檢測(cè)提供支持。

參考文獻(xiàn)：

[1]劉 超. 新疆番茄加工產(chǎn)業(yè)的現(xiàn)狀及發(fā)展前景分析[J]. 現(xiàn)代食品，2018（13）：4-5，9.

[2]文永雙，張俊雄，袁 挺，等. 蔬菜穴盤苗移栽自動(dòng)取苗技術(shù)現(xiàn)狀與分析[J]. 中國(guó)農(nóng)業(yè)大學(xué)學(xué)報(bào)，2021，26（4）：128-142.

[3]付 豪，萬(wàn) 鵬，施家偉，等. 基于機(jī)器視覺(jué)的玉米幼苗葉面積檢測(cè)裝置設(shè)計(jì)及試驗(yàn)[J]. 華中農(nóng)業(yè)大學(xué)學(xué)報(bào)，2020，39（1）：161-170.

[4]孫 俊，宋 佳，武小紅，等. 基于改進(jìn)Otsu算法的生菜葉片圖像分割方法[J]. 江蘇大學(xué)學(xué)報(bào)（自然科學(xué)版），2018，39（2）：179-184.

[5]鄭艷梅，黃光耀，蘆碧波，等. 結(jié)合深度學(xué)習(xí)和引導(dǎo)濾波的蘋果葉片圖像分割[J]. 中國(guó)農(nóng)業(yè)大學(xué)學(xué)報(bào)，2020，25（9）：112-120.

[6]Praveen Kumar J，Domnic S.Image based leaf segmentation and counting in rosette plants[J]. Information Processing in Agriculture，2019，6（2）：233-246.

[7]Wang P，Zhang Y，Jiang B R，et al. An maize leaf segmentation algorithm based on image repairing technology[J]. Computers and Electronics in Agriculture，2020，172：105349.

[8]Anam S.Segmentation of leaf spots disease in apple plants using particle swarm optimization and K-means algorithm[J]. Journal of Physics：Conference Series，2020，1562：12011.

[9]鄭小南，楊 凡，李富忠. 農(nóng)作物圖像分割算法綜述[J]. 現(xiàn)代計(jì)算機(jī)，2020（19）：72-75.

[10]Zhang K，Zhao L N，Zhe S，et al. Design and experiment of intelligent grape bagging robot[J]. Applied Mechanics and Materials，2013，389：706-711.

[11]Lavania S，Matey P S.Novel method for weed classification in maize field using otsu and PCA implementation[C]//IEEE International Conference on Computational Intelligence & Communication Technology，2015，Ghaziabad：IEEE，2015：534-537.

[12]Isensee F，Petersen J，Klein A，et al. nnU-net：self-adapting framework for U-net-based medical image segmentation[M]//Tolxdorff T，Deserno T M，Handéls H，et al. Informatik aktuell.Wiesbaden：Springer，2019.

[13]Ibtehaz N，Rahman M S.MultiResUNet：Rethinking the U-Net architecture for multimodal biomedical image segmentation[J]. Neural Networks，2020，121：74-87.

[14]王中意，車 進(jìn). 基于改進(jìn)型BP神經(jīng)網(wǎng)絡(luò)的重疊葉片邊緣重建[J]. 河北農(nóng)業(yè)大學(xué)學(xué)報(bào)，2018，41（5）：137-142.

[15]Wang C，Pedrycz W，Li Z W，et al. Residual-driven fuzzy C-means clustering for image segmentation[J]. Journal of Automatica Sinica，2021（4）：876-889.

[16]趙曉晴，劉景鑫，張海濤，等. 色彩空間變換和基于距離變換的分水嶺算法在白細(xì)胞圖像分割中的應(yīng)用[J]. 中國(guó)醫(yī)療設(shè)備，2019，34（7）：5-9.

[17]葉佳英，鄧 飛，王佩欣，等. 基于機(jī)器視覺(jué)的珍珠顏色特征提取與識(shí)別[J]. 江蘇農(nóng)業(yè)科學(xué)，2019，47（20）：226-230，240.

[18]楊奕銘，邸馨瑤，宋懷波. 融合超像素分割算法與肢體特征的奶牛軀干精確分割方法[J]. 江蘇農(nóng)業(yè)科學(xué)，2020，48（15）：253-260.

[19]Riza L S，Nasrulloh I F，Junaeti E，et al. gradDescentR：an R package implementing gradient descent and its variants for regression tasks[C]//International conference on information technology. Yogyakarta，2016.