当使用自上而下的植物冠层图像监测作物生长时，农田中的叶子看起来非常密集，并且彼此明显重叠。此外，图像还会受到背景环境、光照强度等外部条件的影响，影响图像分割的有效性。为了解决自然光照条件下植物叶片密集和重叠的分割问题，本研究采用了一种双层卷积网络（Bilayer Convolutional Network，BCNet）方法在不同光照环境下进行精确的叶片分割。本研究的主要贡献如下：(1)利用全卷积目标检测（Fully Convolutional Object Detection，FCOS）进行植物叶片检测，将ResNet-50与卷积块注意模块（Convolutional Block Attention Module，CBAM）和特征金字塔网络（Feature Pyramid Network，FPN）相结合，增强了冠层俯视图图像的感兴趣区域（Region of Interest，RoI）特征提取。(2)根据检测框的位置提取RoI的子区域，将该区域作为BCNet的输入，保证精确分割。(3)利用BCNet对冠层顶视图图像进行实例分割，提高了分割精度。(4)应用变焦损失函数（Variofocal Loss Function）改进FCOS中的分类损失函数，得到更好的性能指标。在玻璃大棚和塑料大棚环境下的黄瓜冠层俯视图图像实验结果表明，该方法是非常有效的。不同光照条件下黄瓜叶片的目标识别精度（Precision）、召回率（Recall）和平均精度（Average Precision，AP）分别为97%、94%和96.57%。例如，分割的精度、召回率和平均精度（AP）指标分别为87%、83%和84.71%。所提出的算法优于常用的深度学习算法，如Faster R-CNN、Mask R-CNN、YOLOv4和PANet，在复杂的农业环境中展示了其卓越的能力。这项研究的结果证明了所提出的方法在不同农业环境中对高度重叠的叶子进行准确识别和分割的潜力，为深度学习算法在智能农业中的应用做出了重大贡献。

图1  双层分解图。

图2  基于改进BCNet的图像分割流程图。

图3  图像标注方法示意图。有标签的意思，没有标签的意思。

图4  图像扩展方案示意图。

图5  玻璃大棚中黄瓜植物图像的分割效果。(a)早期生长阶段，阳光明媚。(b)生长早期，多云。(c)中期生长期，阳光明媚。(d)中期生长期。多云。(e)终末生长期，阳光明媚。(f)终末生长期，多云。

图6  塑料大棚中黄瓜植株图像分割的效果。(a)早期生长阶段，阳光明媚。(b)生长早期，多云。(c)终末生长期，阳光充足。(d)终末生长期，多云。

图7  六种模型的目标识别与实例分割P-R曲线：(a)目标检测P-R曲线；(b)分割P-R曲线样例。

图8  玻璃温室黄瓜植株图像分割效果：(a)改进BCNet；(b) BCNet；(c) PANet；(d) Mask R-CNN；(e) YOLOv4；(f)更快的R-CNN。