植物图像的叶片分割是一项具有挑战性的任务，特别是在背景复杂的图像中多个叶片重叠的情况下。最近，基于深度学习的方法在图像分割领域已经证明了它们的有效性。本研究提出了一种新的卷积神经网络LS-Net用于莲座丛植物的叶片分割。该实验使用来自植物表型(CVPPP)和KOMATSUNA数据集的2010幅图像进行，如图1。LS-Net网络架构如图2，图3展示了LS-Net模型的两种分割图像，分别是有和没有归一化层，也证明了归一化层在模型中的重要影响。并比较LS-Net与4个最近应用的基于cnn的分割模型，即DeepLab V3+、Seg Net、Fast-FCN(含金字塔池化模块)和U-Net，结果如图4，可以清楚地看出本文提出的LS-Net相对于其他经过测试的CNN模型的优越性。

　　图1数据集的Leaf图像示例

　　图2 a Conv Block; b Separable Conv Block; c Depthwise Conv Block; d Bottleneck Block; e LS-Net架构

　　图3 本文提出的LS-Net模型有和没有归一化层的分割结果

　　图4分割结果

　　来源：Deb, M., Garai, A., Das, A. et al. LS-Net: a convolutional neural network for leaf segmentation of rosette plants. Neural Comput & Applic (2022). https://doi.org/10.1007/s00521-022-07479-9

　　编辑：王春颖