基于图像的传感器在捕获目标形态和生理信息方面的有效性依赖于所使用分割策略的准确性。即使在半受控温室条件下，波动的光照条件和背景噪声也会降低使用基于颜色阈值策略进行植物组织像素分类的可靠性。多准则分类决策可以在不考虑环境影响的情况下提供更可靠的焦点目标分割，但一些方法可能耗时且计算量大。

为了确定在不同光照条件下温室生菜最准确的语义分割方法，本文使用Otsu单色阈值分割策略与两种先进的机器学习分割技术：随机森林分类和U-Net卷积神经网络（Convoluted ural Network，CNN）进行了比较。对每种方法进行了训练和评估，以确定其在不同光照条件下准确分割生菜植株的有效性。

结果表明，U-Net模型在不同光照条件和作物发育阶段拍摄的图像上表现优异。U-Net的平均IoU和F1分数分别为0.940和0.969。相比之下，随机森林的平均IoU和F1分数分别为0.842和0.913；Otsu分割的平均IoU和F1分数分别为0.842和0.906。以上结果突出了U-Net模型在可变温室条件下分割任务的有效性。此外，U-Net模型的自动特征提取步骤优于基于随机森林分割的低效特征提取步骤。尽管训练图像集相对较小，但U-Net的架构更有效地解决了与不同温室光照条件相关的分割不准确性，证明了U-Net在非鲁棒性、基于颜色的分割方面的优势。

图像分割能够显著影响成像传感器中非侵入性特征提取及将数字特征与生物反应相关联的能力。应用于植物遥感的图像处理必须以用户实用性和环境适应性为导向。本文中，作者证明了基于卷积神经网络的语义分割策略是在可变温室照明条件下识别生菜像素最准确、适应性最好的语义分割策略。尽管通过添加更多的训练数据可以进一步提高其性能，但在训练集相对较小的情况下，该模型的性能仍然非常出色。更大的数据集提高了模型的泛化，支持迁移学习和数据增强等先进技术，从而导致更可靠、更有效的分割，从而有利于最终输出。U-Net在处理可变光环境方面的优势转化为现实农业系统中更可靠的植物监测手段。

图1. U-Net模型训练阶段示意图。(A)由原始彩色图像（1920 × 960）裁剪尺寸为320 × 320区块用作Ushaped卷积网络的输入。(B)详细的U-Net架构上采样和下采样步骤。(C) 最终输出得到的每个区块的二进制掩码作为每个区块的二值图像

图2. 在不同作物阶段(移植后7、14和25天)可变光照条件下捕获图像的U-Net CNN分割性能比较。第二行显示了带注释的分段掩码，第三行显示了在为所有图像选择相同的像素强度阈值之后的分割掩模输出

图3. 三种分割策略的分类准确度度量:(A)F1得分，(B) mIoU，(C)召回率和(D)精确度。

表1.移植后7、14和25天在3种不同光照条件(弱光、强光和中光)下拍摄图像的U-Net CNN分割性能指标