基于计算机视觉的植物叶片分割技术对植物分类、植物生长监测、精准农业等科学研究具有重要意义。在本文中， YOLOv8-seg 模型用于自动分割图像中单个叶子。为了提高分割性能，在标准的Yolov8模型中进一步引入了一个Ghost模块和一个双向特征金字塔网络（BiFPN）模块，提出了两个改进版本。Ghost模块可以通过简单的转换操作生成多个内在特征映射，而BiFPN模块可以融合多尺度特征，从而提高对小叶片的分割性能。实验结果表明，Yolov8模型在叶片分割任务中表现良好，而Ghost模块和BiFPN模块可以进一步提高叶片分割任务的性能。本文提出的方法在植物表型分析（CVPPP）叶分割挑战赛的计算机视觉问题的所有五个测试数据集上实现了86.4%的叶分割分数（最佳Dice），优于其他报告的方法。

图1 使用CVPPP LSC数据集来训练和验证 YOLOv8-seg 模型

（a）2014年CVPPP LSC中A1子集的典型图像；（b）2014年CVPPP LSC中A2子集的典型图像；（c）2014年CVPPP LSC中A3子集的典型图像；（d）2017年CVPPP LSC中A4子集的典型图像

表1 CVPPP LSC训练数据集的总结

表2 CVPPP LSC测试数据集的总结

图2 数据处理、 YOLOv8-seg 模型训练和模型验证的工作过程

FPN 网络可以用于解决目标检测中的多尺度问题，提高对小目标的检测性能。与传统的 FPN 网络相比， BiFPN 在同一层的输入和输出特征之间添加了跳过连接，由于使用相同的规模，添加跳过连接可以更好地提取和传输特性信息。

图3 （a） FPN 架构 （b） BiFPN 架构

在 YOLOv8 模型的基础上引入 BiFPN 模块，形成一个改进模型 YOLOv8-BiFPN，YOLOv8-BiFPN 模型可以融合多尺度特征，从而提高对小叶片的分割性能。

图4 YOLOv8-BiFPN 网络架构图

Ghost 模块将原始的卷积层分成两部分，并使用更少的卷积来生成几个内在的特征映射。然后，将进一步应用一定数量的简单转换操作来有效地生成 Ghost 特征映射。

图5 Ghost 模块的工作原理

将 Ghost 模块合并到 YOLOv8 模型的主干中， YOLOv8-Ghost 模型可以有效减少计算工作量，生成更丰富的特征映射，这有助于提高模型的泛化能力。

图6 YOLOv8-Ghost 网络架构图

表3 数据增强参数

表4 软件和硬件环境

表5 三个模型分别对测试数据集的分割和计数结果

图7 每个数据集的图片在三个模型上的显示效果

表6 分割和计数结果与其他已发表的方法比较结果

表7 YOLOv8-Ghost在不同指标下对不同测试集的分割结果具体排名