当前,计算机视觉技术被广泛应用于田间复杂环境下的果实提取和分析研究,以实现作物生长的动态监控;而图像分割作为计算机视觉技术的前提和关键,其精度的高低直接影响到后续工作的精度和效率。在自然环境下对目标果实进行准确分割主要包括以下3类方法:(1)基于颜色空间变换和阈值分割方法。这类方法的核心思想是在RGB、Lab、HSV等颜色空间中寻找差异较大的通道并对其进行阈值分割运算。夏永泉等
[2]基于HIS颜色空间对叶片病斑进行了提取;高理文和林小桦
[3]利用颜色空间变换和最大类间方差法进行全图分割;董晓辉
[4]提出了一种基于颜色空间变换的绿色植被快速分割方法,其精度可达到80%以上。但是,该类算法存在动态光照和土壤反射率条件下鲁棒性不足等问题,难以对自然环境下景物实现有效分离。(2)基于浅层模型的机器学习方法。通过人工筛选并提取果实和背景部分的颜色、纹理、性状等特征,生成可准确区分二者的高阶特征矩阵并对分类器进行训练从而获得分割模型。魏丽冉等
[5]提出了一种基于核函数支持向量机的植物叶片病害多分类检测模型;周俊等
[6]根据K均值聚类算法和直推式支持向量机进行训练,准确获取了农田自然地块中的各种绿色植物;李先锋等
[7]提出了一种基于特征优化和最小二乘支持向量(Least Square Support Vector Regression Machine,LS-SVM)实现棉田杂草识别的方法,通过粒子群算法(Particle Swarm Optimization Algorithm,PSOA)对提取到的特征进行优化后输入LS-SVM进行训练以实现杂草识别,其试验精度可达95%以上。然而,浅层模型在实际应用中往往出现对目标特征表达不完整、提取过程和检测过程分离等情况,从而造成分割和识别性能下降。(3)基于深度学习模型的机器学习方法。深度学习由大数据集驱动,不需要设定具体的目标特征即可进行高维数据判别,具有强大的信息处理优势
[8]。Lee等
[9]通过对AlexNet进行微调,自动提取叶片特征以解决传统方法依赖人工监督导致模型偏差等问题,使用该网络准确率可达99.6%;Dyrmann等
[10]利用含残块支路模块的卷积神经网络模型(Convolutional Neural Networks,CNN)在一个包含有20多种作物及杂草的图片数据集上进行分类测试,精度达到了86.2%;Too等
[11]对多种经典网络进行参数微调后对PlantVillage数据集中的植物和病虫害进行识别,发现DenseNets-121在迭代次数增加时精度提升最为明显,且所需参数数量最少;Fuentes等
[12]将3种分类网络Faster R-CNN,SSD和R-FCN与不同特征提取网络(VGG和ResNet)相结合,提出了一种可以实时定位和识别番茄病虫害种类的系统;李淼等
[13]、陈桂芬等
[14]开展了基于CNN和迁移学习的农作物病害识别方法研究。上述研究将深度学习模型应用于田间表型信息获取,但因光照、角度和相机规格难以统一等问题均缺乏移动平台试验;且前述研究大多面向大田作物,鲜有对西兰花等作物进行深度学习框架下表型信息提取的研究。