叶片数量是用来表征作物生长发育和冠层结构的重要形态参数，也是近年来表型学研究关注的重要的表型性状之一。叶片形状和分布的多样性，以及多变的光环境，为植物叶片的自动分割和计数带来极大的挑战。现有的植物叶片检测和计数方法大多是针对拟南芥等莲座状植物，其形态结构相对简单，冠层叶片重叠较少。而对于冠层较高大、叶片形态复杂、姿态朝向多变的植株研究较少。因此，本研究提出了一种改进的实例分割检测方法——improved CenterNet，用来解决在自然光环境下不同植物冠层中密集、重叠和大小不一的叶片的计数问题。并用黄瓜、茄子、番茄、兰花草和铜钱草等5种不同形态的植物进行了验证。

　　本研究提出的improved CenterNet方法主要有以下三个方面的改进：

　　(1)在原始 CenterNet 的网络输入中添加了一个space-to-depth模块，用于将输入的图像转换为不同的深度模块;

　　(2)在网络中加入了注意力机制模块(CBAM)，用来检测不同分辨率下的叶边缘信息;

　　(3)采用了空洞空间卷积池化金字塔(ASPP)来提取不同尺度的图像感受野特征，在保留密集和不规则叶子特征的情况下，提升网络对重叠叶片的分割能力。

图1 Improved CenterNet算法流程图

　　图2 Improved CenterNet算法的网络结构

　　改进后的CenterNet重点检测的是目标区域的关键点而不是整个图像，从而省去了目标分割的需要，提高了检测的准确性和速度。 除此之外，重叠叶子的准确检测需要每个叶子的边缘信息，以及抑制图像背景噪声的特定约束。 传统的目标检测算法没有充分利用目标的特征信息，这些算法大多采用多尺度融合、深度网络结构和损失函数来获取目标特征。 与传统算法相比，改进的CenterNet算法利用空间到深度模块和注意力机制模块使检测网络能够专注于叶子的边缘特征，从而促进边缘特征信息的提取和叶片计数。

　　图3 不同植物类型监测结果 a.单株黄瓜幼苗 b.兰花 c.铜钱草 d. 茄子群体 e. 番茄群体 f. 黄瓜群体

　　改进的CenterNet算法还针对不同生长阶段、不同光照条件以及不同形状和大小的叶子，与常用的几种基于深度学习的算法(包括 Mask R-CNN、Faster R-CNN、YOLOv4 和原始的 CenterNet)和传统的机器学习算法(ExG + SVM)进行了算法性能的比较。比较结果显示，本文改进的算法获得了更好的检测性能，具有最高的检测速度、精确率和最少的训练时间。

　　图4 不同方法对不同植物类型检测精度比较

　　图5 Improved CenterNet算法在不同时间点光环境条件下的检测精度

　　图6 Improved CenterNet算法在晴天和阴天环境下的检测效果

　　相信该改进的 CenterNet 算法能够为植物叶子检测、计数提供实用工具支撑，辅助实现表型参数的自动获取。

      作者介绍:

　　陆声链，博士，广西师范大学计算机科学与工程学院教师，硕士生导师，主要从事机器视觉、人工智能研究，主持完成省部级以上课题5项，作为技术骨干参与包括国家863计划、国家科技支撑计划、国家星火计划、国家农业科技成果转化资金等在内的国家级课题多项，现主持国家自然科学基金课题1项，省部级课题1项;宋真，在读研究生，主要研究方向为人工智能;陈文康，在读研究生，主要研究方向为机器视觉;钱婷婷，博士，上海市农业科学院农业科技信息研究所副研究员，主要从事数据分析和模型构建，尤其在功能结构模型(FSPM, Functional-Structural Plant Modelling)研究领域有多年的研究经验，主持上海市级课题2项，重点参与国家级课题1项和市级课题4项。以第一作者发表文章13篇，其中SCI/EI论文5篇，主持获得发明专利2件;张滢钰，上海市农业科学院农业科技信息研究所实习研究员，20201年毕业于荷兰瓦赫宁根大学，主要从事植物模型研究;陈明，广西师范大学计算机科学与工程学院教授，博士生导师，主要研究方向为图形图像处理、CAD;李帼，在读博士生，主要研究方向为智能信息处理。

　　来源 : Lu, S., Song, Z., Chen, W., Qian, T., Zhang, Y., Chen, M., & Li, G. (2021). Counting Dense Leaves under Natural Environments via an Improved Deep-Learning-Based Object Detection Algorithm. Agriculture, 11(10), 1003.

　　编辑 : 钱婷婷