棉花的色素腺储存棉酚，棉酚是一种在农业和医学上极具价值的物质。因此，获取棉花色素腺的表型信息对于评价棉酚含量至关重要。然而，目前对棉花叶片色素腺的研究面临着几个挑战，包括叶区色素腺比例小、分割目标小、叶缘腺体数量多、叶脉干扰等，使全叶表型检测变得困难。为了应对这些挑战，本研究提出了一种基于深度学习的语义分割模型GlandSegNet。GlandSegNet使用通过融合上采样过程和特征提取网络而形成的特定编码器架构。在解码器部分，执行池化和跳过连接操作，并通过嵌入ECA注意力模块来优化网络。实验结果表明，GlandSegNet在由单个物种的完整叶片组成的测试集1和由多个物种的随机选择的叶片组成的试验集2上分别可以实现0.9842和0.9510的面积准确率，相应的误差面积分别为0.6966 mm²和4.1258 mm²。结果表明，GlandSegNet语义分割方法在棉花叶片色素腺体区域检测任务中表现出良好的性能。与传统的显微镜观察方法相比，GlandSegNet具有高效性和定量分析腺体表型的能力。因此，GlandSegNet可以为大规模棉花色素腺研究提供有效的工具和技术支持，对棉花色素腺表型评价和棉酚含量评价具有重要意义。

图1 棉花叶片色素腺的图像分割和面积计算过程。

图2 GlandSegNet网络结构。

图3 ECA注意力模块结构

图4 测试集1和测试集2的F1分数结果。

图5 测试集1和测试集2的mIoU结果

图6 棉花色素腺分割的比较结果。

图7 区域测试组（1）和区域测试组2的错误区域结果。