本文比较了深度学习和OBIA在卷心菜单株检测任务中的性能。使用无人机搭载可见光传感器采集了不同生长状态和密度的卷心菜田块高分辨率图像，并构建了卷心菜图像数据集。分别采用基于像素的深度学习和基于对象的图像分析-多级距离变换分水岭分割（OBIA-MDTWS）方法对卷心菜进行提取和计数，并对两种方法在卷心菜分割、提取和计数方面的精度、稳定性和效率进行了评估和比较。

选取中国福建省南平市顺昌县一个种植卷心菜的农田作为研究区域，使用Mavic Air 2 s无人机搭载1英寸CMOS可见光传感器在天气良好的条件下进行航拍，获取了378张照片，并使用Pix4D软件生成了分辨率为1.56 mm的正射影像。将正射影像切割成大小为1200×1200像素的子图，并使用Labelme 3.6软件按照卷心菜的真实边缘进行标注，构建了VOC格式的卷心菜图像数据集。将数据集划分为训练集、验证集和测试集，比例为7:2:1，共包含1410株卷心菜。本文使用四种深度学习模型（Mask R-CNN、MaskLab、YOLACT和SOLOv2）和三种机器学习分类器（KNN、SVM和RF）结合六种图像分割算法（多分辨率分割、均值漂移、区域生长、大尺度均值漂移、Shepherd K-means迭代消除和均值区域生长）进行卷心菜提取实验，并使用精确度、召回率和F1-Score等指标对提取结果进行评估。

结果表明，深度学习方法在卷心菜提取和计数方面优于OBIA-MDTWS方法，其中Mask R-CNN模型具有最高的F1-Score（0.927）、精确度（0.929）和召回率（0.925），而OBIA-MDTWS方法的F1-Score、精确度和召回率分别为0.857、0.884和0.832。此外，深度学习方法具有更高的计算效率，其中SOLOv2模型的平均检测时间为0.03秒/张，而OBIA-MDTWS方法的平均检测时间为0.11秒/张。此外，深度学习方法对卷心菜生长状态和密度变化具有更强的鲁棒性，而OBIA-MDTWS方法对卷心菜生长状态和密度变化较敏感，容易出现欠分割或过分割的问题。

本文展示了深度学习方法在蔬菜提取和数量估计方面的优越性，为后续田间苗圃管理和精细化种植提供了技术支持。相比之下，OBIA-MDTWS方法在特征选择、样本选择、精度验证和模型转移方面存在不足，需要进一步改进。本文提出的一种基于多级距离变换的分水岭分割算法，有效地解决了传统分水岭算法在处理严重粘连目标时容易出现过分割或欠分割的问题。

图1 研究区的地理位置

图2 卷心菜提取过程的框架

图3 Mask R-CNN网络结构图

图4 MaskLab网络结构图

图5 YOLACT网络结构图

图6 SOLOv2网络结构图

图7 通过递归特征消除 (RFE) 算法优化特征

图8 基于距离的变换分水岭算法图

图9 OBIA-MDTWS和Mask R-CNN方法的提取结果

图10 OBIA-MDTWS 和 Mask R-CNN 方法的提取精度

图11 OBIA-MDTWS和Mask R-CNN方法对不同植株密度的白菜个体检测结果