叶数是一个重要的植物性状，有助于在各种植物表型任务中分析植物的生长。重叠的叶子和无序的叶子运动是植物叶子识别和计数的主要挑战。在本文中，我们提出了一个用于植物叶片分割、计数和定位的两阶段框架。在第一阶段，我们设计了一个基于编码器-解码器的深度神经网络，即Xception-style U-Net，用于从背景中分割植物叶子。在计算植物叶子的第二阶段，我们使用距离变换和分水岭算法。在公开的2017年叶子计数挑战(LCC)数据集上测试了所提方法的性能，该数据集包括莲座植物的图像，即拟南芥和烟草。在这项工作中，Xception-style U-Net在测试数据集上实现了更好的分割精度，戴斯系数为0.9685。Xception-style U-Net与分水岭算法一起，实现了0.26的平均叶数差异(DiC)和1.93的绝对叶数差异(|DiC|)，优于文献中的现有方法。

　　图1 使用改进的Xception-style U-Net和基于分水岭算法提出的叶片分割和计数算法。.

　　图2 提出的Xception-style U-Net架构。N表示滤波器的数量，k表示滤波器内核的大小，s表示步长，⨁表示加法层。

　　图3 SegNet、U-Net和Xception-style U-Net的分割结果。(a) RGB图像样本、(b) 相应的地面真实图像、(c) SegNet的分割结果、(d) U-Net的分割结果和(e)提出的Xception-style U-Net的分割结果。

　　图4 提出的Xception-style U-Net分别对A1、A2、A3和A4数据集的挑战性图像进行分割的结果。第1行展示了RGB图像样本，第2行给出了相应的基本事实，第3行展示了输出的分割图像(在线彩色图)。

　　图5 使用分水岭算法对SegNet、U-Net和提出的Xception-style U-Net的分割图像进行叶片计数。(a) RGB图像、(b, d和f)距离转换的图像、(c, e, g)是SegNet, U-Net和修正的Xception-style U-Net的带有红色轮廓线的RGB图像(在线彩色图)。

　　图6 A1、A2、A3和A4的相对叶数差异与频率关系图。

　　本文将叶片计数任务分为两个阶段，即叶片分割和叶片计数。我们测试并分析了深度学习网络的性能，即SegNet、U-Net和Xception-style U-Net用于叶子分割任务。Xception-style U-Net和简单的U-Net取得了比SegNet和文献中其他最先进的方法更好的性能。Xception-style U-Net和U-Net在重叠叶片的分割上比SegNet更好。在第二阶段，基于标记的分水岭算法被用于叶片计数，并减少过度分割和噪声的影响。尽管U-Net在重叠叶子的分割方面非常好，但它在某些情况下受到过度分割和背景噪声的影响。所提方法的相对DiC频率在-2到+2之间，表明叶数估计的准确性有所提高。因此，与U-Net、SegNet和最先进的方法相比，Xception-style U-Net结合分水岭算法实现了更好的叶数估计。在未来，我们可以用这种方法来估计植物的鲜重，这将有助于提前预测作物产量。

　　来源：Kolhar S, Jagtap J. Leaf Segmentation and Counting for Phenotyping of Rosette Plants Using Xception-style U-Net and Watershed Algorithm[C]//International Conference on Computer Vision and Image Processing. Springer, Cham, 2022: 139-150.

　　https://doi.org/10.1007/978-3-031-11346-8_13

　　编辑：小王博士在努力