任守綱 朱勇杰 顧興健 武鵬飛 徐煥良

摘要： ?植物葉片分割在高通量植物表型數(shù)據(jù)獲取任務(wù)中起著關(guān)鍵作用。目前，多數(shù)植物葉片分割方法專注于提高模型分割精度，卻忽視模型復(fù)雜度和推理速度。針對(duì)該問題，本研究提出一種基于稀疏實(shí)例激活與有效位置感知卷積的實(shí)例分割模型（ePaCC-SparseInst），實(shí)現(xiàn)植物葉片實(shí)時(shí)、精確分割。在ePaCC-SparseInst 中引入1組稀疏實(shí)例激活圖作為葉片對(duì)象表示方式，并使用二部圖匹配算法實(shí)現(xiàn)預(yù)測(cè)對(duì)象與實(shí)例激活圖的一一映射，從而避免了繁瑣的非極大值抑制（Non-maximum suppression，NMS）運(yùn)算，提高了模型的推理速度。此外，在實(shí)例分支中引入有效位置感知卷積（ePaCC）模塊，在增大模型全局感受野的同時(shí)提高了模型的推理速度。在Komatsuna數(shù)據(jù)集上，ePaCC-SparseInst平均分割精度（AP）達(dá)到85.33%，每秒傳輸幀數(shù)達(dá)到43.52。在相同訓(xùn)練條件下，ePaCC-SparseInst的性能優(yōu)于SparseInst、Mask R-CNN、CondInst等實(shí)例分割算法。此外在CVPPP A5數(shù)據(jù)集上，ePaCC-SparseInst較上述算法同樣取得了更好的分割精度和推理速度。本研究提出的方法采用純卷積的架構(gòu)實(shí)現(xiàn)了葉片的實(shí)時(shí)分割，可以為在移動(dòng)端或邊緣設(shè)備上獲取植物表型數(shù)據(jù)提供技術(shù)支持。

關(guān)鍵詞： ?實(shí)例分割； 計(jì)算機(jī)視覺； 植物表型； 葉片分割

中圖分類號(hào)： ?TP391.41 ???文獻(xiàn)標(biāo)識(shí)碼： A ???文章編號(hào)： ?1000-4440（2024）03-0478-12

Real-time segmentation of plant leaves based on sparse instances and position aware convolution

REN Shou-gang1，2， ZHU Yong-jie1， GU Xing-jian1， WU Peng-fei3， XU Huan-liang1

（1.College of Artificial Intelligence， Nanjing Agricultural University， Nanjing 210095， China; 2.National Engineering and Technology Center for Information Agriculture， Nanjing 210095， China; ?3.Xinjiang Xingnong Network Information Center/Xinjiang Uygur Autonomous Region Agricultural Meteorological Observatory， Urumqi 830002， China）

Abstract： ?The segmentation of plant leaves plays a crucial role in high-throughput plant phenotyping data acquisition tasks. Currently， most methods for plant leaf segmentation focus on improving the accuracy of the segmentation model but overlook the models complexity and inference speed. In response to this issue， this study proposed an instance segmentation model （ePaCC-SparseInst） based on sparse instance activation and efficient position-aware convolution to achieve real-time and accurate segmentation of plant leaves. In ePaCC-SparseInst， a set of sparse instance activation maps was introduced as the representation of leaf objects. A bipartite graph matching algorithm was employed to establish a one-to-one mapping between predicted objects and instance activation maps， thereby avoiding the cumbersome non-maximum suppression （NMS） operation and improving the models inference speed. Additionally， an effective position-aware circulate convolution （ePaCC） module was introduced into the instance branch， which increased the models global receptive field and enhanced its inference speed. On the Komatsuna dataset， ePaCC-SparseInst achieved an average segmentation precision （AP） of 85.33% and an inference speed of 43.52 frames per second （FPS）. Under the same training conditions， its performance surpassed instance segmentation algorithms such as SparseInst， Mask R-CNN， and CondInst. Furthermore， on the CVPPP A5 dataset， ePaCC-SparseInst achieved better segmentation accuracy and inference speed than the aforementioned algorithms. The proposed method used a pure convolutional architecture to achieve real-time leaf segmentation， which could provide technical support for obtaining plant phenotypic data on mobile or edge devices.

Key words： ?instance segmentation; computer vision; plant phenotypes; leaf segmentation

植物葉片在揭示植物生長(zhǎng)發(fā)育狀況的過程中起到關(guān)鍵作用。例如葉面積和葉片的形狀（葉長(zhǎng)、葉寬、葉傾角等）與植物的光合作用、呼吸作用、蒸騰作用以及碳和養(yǎng)分同化等多種生理活動(dòng)密切相關(guān)[1]。因此借助非破壞性方法獲取葉片特征數(shù)據(jù)，與植物基因數(shù)據(jù)相結(jié)合，能為改善植株的遺傳性狀提供參考，從而提高作物產(chǎn)量[2]。在高通量植物表型任務(wù)中，分割出植物葉片是獲得生物量特征的重要前提之一[3]。因此葉片分割是植物表型任務(wù)中的關(guān)鍵步驟，精準(zhǔn)且快速地從復(fù)雜的背景中分割出葉片區(qū)域，有助于植物葉片表型參數(shù)的快速提取，同時(shí)也對(duì)植物生長(zhǎng)狀況的同步觀察以及病蟲害的實(shí)時(shí)監(jiān)督等方面有著重要的意義[4]。葉片分割任務(wù)主要分為單目標(biāo)葉片分割和多目標(biāo)葉片分割2類[5-7]。

在單目標(biāo)葉片分割方面，通常優(yōu)先采用傳統(tǒng)的圖像分割方法或者基于深度學(xué)習(xí)的語(yǔ)義分割方法。蔣煥煜等[8]將基于形態(tài)學(xué)的分水嶺算法用于葉片邊緣分割，借此提取穴孔中的番茄幼苗的葉片面積和葉片周長(zhǎng)。孫國(guó)祥等[9]提出了基于邊緣鏈碼信息的番茄苗重疊葉面分割算法，對(duì)72孔和128孔的分割準(zhǔn)確度達(dá)到了100%和96%，分割單張圖片的平均耗時(shí)分別達(dá)到0.835 s和0.990 s。王紀(jì)章等[10]借助Kinect相機(jī)對(duì)彩色葉片圖像進(jìn)行預(yù)處理、閾值分割、形態(tài)學(xué)運(yùn)算以及連通分量統(tǒng)計(jì)等操作，實(shí)現(xiàn)了幼苗的無(wú)損檢測(cè)，該算法估算出的葉面積與實(shí)際葉面積的平均誤差僅為2.15%。針對(duì)綠色葉片圖像分割困難的問題，伍艷蓮等[11]提出一種改進(jìn)的均值漂移算法，實(shí)現(xiàn)了對(duì)綠色作物的精確分割，性能上優(yōu)于常規(guī)的均值漂移算法且圖像的錯(cuò)分率小于6.5%。面對(duì)不同的背景、陰影等成像環(huán)境，單一模型往往難以很好地解決植物葉片分割問題，胡靜等[12]提出一種基于魯棒隨機(jī)游走的交互式植物葉片分割方法，通過人機(jī)交互獲取前景的像素信息，獲得了光滑、魯棒的植物葉片分割結(jié)果圖。Kan等[13]提出的基于U-net的葉片分割模型，采用了ResNet-50作為主干網(wǎng)絡(luò)用于編碼圖片，并在解碼器中引入特征融合模塊，更好地融合了來(lái)自底層的位置信息以及來(lái)自高層的語(yǔ)義信息。從上述的方法可以看出，傳統(tǒng)的圖像分割算法和基于深度學(xué)習(xí)的語(yǔ)義分割算法，雖然大多有著不錯(cuò)的分割效果，但是無(wú)法分割出植物中的每一張葉片。而實(shí)例分割算法則能將圖片中的每一個(gè)實(shí)例對(duì)象都分割出來(lái)，即使這些實(shí)例對(duì)象屬于同一個(gè)類別。

在多目標(biāo)葉片分割方面，目前已有較多基于實(shí)例分割的研究。Yin等[14]提出一種基于倒角匹配的多葉片對(duì)齊算法，該算法能找到輸入圖像中多個(gè)葉片的最佳對(duì)齊方式，且能應(yīng)用于葉片的實(shí)例分割當(dāng)中。Ren等[15]率先將循環(huán)神經(jīng)網(wǎng)絡(luò)（Recurrent neural network， RNN）應(yīng)用在葉片實(shí)例分割任務(wù)中，該算法能一次一個(gè)地查詢?nèi)~片實(shí)例并對(duì)其進(jìn)行實(shí)例分割，即使在遮擋場(chǎng)景下性能也不會(huì)出現(xiàn)衰退。隨著He等[16]提出Mask R-CNN，基于卷積神經(jīng)網(wǎng)絡(luò)（Convolutional neural network，CNN）的實(shí)例分割網(wǎng)絡(luò)占據(jù)了絕大部分的實(shí)例分割任務(wù)，與上述2種算法相比，以Mask R-CNN為代表的實(shí)例分割算法有著更高的分割精度。喬虹等[17]采用Mask R-CNN對(duì)大田環(huán)境下的葡萄葉片進(jìn)行了檢測(cè)與分割，結(jié)果顯示不同的葡萄葉片分割精度都大于等于0.88。該葡萄葉片檢測(cè)與分割算法展示了Mask R-CNN對(duì)不同天氣狀況以及各種復(fù)雜背景下的葉片分割任務(wù)都有著較好的魯棒性和較高的分割精度。但是該算法在葉片邊緣的分割精度依舊不夠理想，這是由Mask R-CNN經(jīng)過感興趣區(qū)域（ROI）裁剪導(dǎo)致特征圖分辨率降低等原因?qū)е碌?。針?duì)以上問題，袁山等[18]采用結(jié)合了注意力機(jī)制的Cascade mask R-CNN，解決葉片遮擋以及葉片邊緣特征不明顯等問題。以Mask R-CNN為代表的兩階段實(shí)例分割算法，雖然在精度上有著很大的優(yōu)勢(shì)，但是其在推理速度方面仍存在著較大的缺陷。例如在袁山等的工作中可以看到，Mask R-CNN推理1張圖片需要耗時(shí)0.383 s，Cascade mask R-CNN需要耗時(shí)0.387 s，以及其改進(jìn)模型需要耗時(shí)0.562 s。而Guo等[4]提出了一種端到端無(wú)錨的單階段實(shí)例分割算法，以提高葉片的分割精度。該算法省去了大多數(shù)實(shí)例分割算法所依賴的錨框，節(jié)約了大量實(shí)例篩選的時(shí)間，但其在解碼器中加入的多尺度注意力模塊以及掩碼細(xì)化模塊又降低了推理的速度。由上述方法可以看出，模型分割精度與推理速度之間存在一定的對(duì)立性和矛盾性。若將上述模型應(yīng)用在移動(dòng)端或邊緣設(shè)備上時(shí)，會(huì)對(duì)模型的部署和使用造成較大的困難[19]。SparseInst模型[20]作為現(xiàn)有實(shí)時(shí)實(shí)例分割的基準(zhǔn)模型，有著較快的推理速度和較高的分割精度，同時(shí)很好地控制模型的大小，但在實(shí)例識(shí)別時(shí)，由于其感受野的局限性，會(huì)導(dǎo)致面積較小的葉片分割錯(cuò)誤。

Hu等[21]在Faster R-CNN[22]目標(biāo)檢測(cè)算法的檢測(cè)分支中引入一個(gè)帶有自注意力機(jī)制的對(duì)象關(guān)系模塊，該模塊通過目標(biāo)對(duì)象的外觀特征和形狀之間的潛在聯(lián)系同時(shí)處理這一組對(duì)象，對(duì)這一組對(duì)象之間的關(guān)系進(jìn)行建模，提高了算法的檢測(cè)精度。在實(shí)例分割的研究中，Guo等[23]在SOLOv2[24]的核分支（Kernel branch）中引入了Vision Transformer（ViT），試圖捕獲長(zhǎng)距離的上下文依賴，獲得全局特征信息，以更好地區(qū)分具有相同語(yǔ)義類別的重疊實(shí)例。受這2個(gè)工作的啟發(fā)，本研究擬在SparseInst實(shí)例分支中引入一個(gè)帶有全局感受野的有效位置感知卷積（ePaCC）模塊替換原有的普通卷積層，通過該模塊獲取長(zhǎng)距離的上下文語(yǔ)義信息，輸出全局性、語(yǔ)義信息性更強(qiáng)的實(shí)例激活圖，在保持精度不降低的情況下，提高葉片實(shí)例分割的速度。此外，在ePaCC模塊中引入eSE注意力模塊，緩解模型通道信息丟失問題的同時(shí)進(jìn)一步提升模型的推理速度。最后使用基于匈牙利算法的二部圖匹配算法實(shí)現(xiàn)預(yù)測(cè)對(duì)象與真實(shí)標(biāo)簽（GT）的一一映射，避免繁瑣的參數(shù)設(shè)計(jì)和后處理操作，以期實(shí)現(xiàn)植物葉片實(shí)時(shí)實(shí)例分割。

1 材料與方法

1.1 試驗(yàn)數(shù)據(jù)集

Komatsuna植物葉片數(shù)據(jù)集[7]總共有900張小松菜各個(gè)生長(zhǎng)階段的圖片。本研究隨機(jī)選取720張圖片作為訓(xùn)練集，剩余的180張圖片作為測(cè)試集。其中每一張圖片的分辨率為480×480。圖1展示了部分Komatsuna數(shù)據(jù)集的原始圖像以及對(duì)應(yīng)的標(biāo)注信息。

CVPPP[6]中的A5數(shù)據(jù)集由不同尺寸的煙草花和擬南芥圖像組成，共計(jì)810張圖像。其中，擬南芥原始圖像分辨率為：500×530、530×565和441×441，煙草花原始圖像的分辨率為：2 448×2 048。本研究將810張圖像劃分為訓(xùn)練集（648張）和測(cè)試集（162張）。

1.2 數(shù)據(jù)增強(qiáng)

數(shù)據(jù)增強(qiáng)是解決深度學(xué)習(xí)樣本較少問題的常用方法之一[25]。本研究使用Detectron2自帶的隨機(jī)縮放圖像的最小邊長(zhǎng)進(jìn)行數(shù)據(jù)增強(qiáng)。輸入圖像的最小邊長(zhǎng)會(huì)隨機(jī)調(diào)整為352、384、416、448、480，使得輸入模型訓(xùn)練的葉片圖像為720張，而實(shí)際訓(xùn)練的圖片數(shù)量為3 600張，這基本滿足了實(shí)例分割訓(xùn)練模型對(duì)圖片數(shù)量的要求。

1.3 ePaCC-SparseInst模型概述

ePaCC-SparseInst模型主要由3個(gè)部分組成（圖2），分別為用于特征提取的主干網(wǎng)絡(luò)、實(shí)例上下文編碼器以及基于實(shí)例激活圖的分割解碼器。主干網(wǎng)絡(luò)用于從輸入圖像中提取多尺度特征。實(shí)例上下文編碼器將主干網(wǎng)絡(luò)中生成的多尺度特征融合，以生成上下文信息更加豐富的單尺度特征圖。最后將生成的特征圖送入基于實(shí)例激活圖的分割解碼器中，生成葉片實(shí)例的激活圖，以突出葉片實(shí)例，用于后續(xù)網(wǎng)絡(luò)的識(shí)別和分割。

1.4 實(shí)例上下文編碼器和基于實(shí)例激活圖的分割解碼器

ePaCC-SparseInst的實(shí)例上下文編碼器不同于以往的實(shí)例分割算法所使用的特征金字塔網(wǎng)絡(luò)（Feature pyramid network，F(xiàn)PN）[26]，而是對(duì)其進(jìn)行重構(gòu)。實(shí)例上下文編碼器在主干網(wǎng)絡(luò)輸出的特征層C5之后采用金字塔池化模塊（Pyramid pooling module，PPM）[27]放大模型的感受野，旨在輸出語(yǔ)義信息更為豐富的特征圖。最后輸出的單級(jí)特征圖融合了P3、P4和P5 3層特征圖，其分辨率為原始圖像的八分之一。

基于實(shí)例激活圖的分割解碼器由實(shí)例分支和掩碼分支構(gòu)成。如圖2所示，實(shí)例分支生成實(shí)例激活圖和3個(gè)N×D（N：實(shí)例激活圖的個(gè)數(shù)；D：向量的長(zhǎng)度）的向量用于后續(xù)實(shí)例識(shí)別和分割。實(shí)例激活圖位于實(shí)例分支中，旨在全局范圍內(nèi)突出每個(gè)實(shí)例對(duì)象的信息區(qū)域。突出區(qū)域的實(shí)例特征語(yǔ)義信息豐富，在實(shí)例識(shí)別中，有很強(qiáng)的實(shí)例感知能力。而掩碼分支則用于解碼特征圖并生成葉片對(duì)象的分割結(jié)果。

1.5 實(shí)例分支

與現(xiàn)有的實(shí)例分割模型不同，ePaCC-SparseInst既不依賴邊界框[22]也不依賴稠密的錨框[28]定位實(shí)例對(duì)象，而是通過一組稀疏的實(shí)例激活圖（Instance activate maps，IAM）來(lái)定位潛在的實(shí)例對(duì)象。實(shí)例激活圖作為一種新的實(shí)例對(duì)象表示方式，可以動(dòng)態(tài)地顯示每個(gè)實(shí)例對(duì)象的區(qū)域信息。實(shí)例激活圖是由ePaCC模塊和Sigmoid激活函數(shù)在實(shí)例分支中激活后生成。給定ePaCC生成的特征圖X∈RD×（H×W）（D：向量的長(zhǎng)度；H：向量的高度；W：向量的寬度），經(jīng)過實(shí)例激活函數(shù)后輸出的實(shí)例激活圖為A=fiam（X）∈RN×（H×W）。A為N個(gè)實(shí)例激活圖的稀疏集，fiam（·）為非線性的Sigmoid激活函數(shù)。實(shí)例激活圖根據(jù)區(qū)域位置信息聚合特征，以獲得每個(gè)實(shí)例的語(yǔ)義信息，用于識(shí)別和分割實(shí)例對(duì)象。然后通過1個(gè)全連接層生成3個(gè)N×D的向量，這3個(gè)向量分別是：掩碼分支生成實(shí)例掩碼的動(dòng)態(tài)卷積核、實(shí)例特征的類別及其類別置信分。

1.6 ePaCC模塊

本研究在實(shí)例分支中引入一個(gè)帶有全局感受野的ePaCC模塊替代普通卷積層，試圖捕獲長(zhǎng)距離的上下文依賴，獲得全局特征信息以更好地區(qū)分具有相同語(yǔ)義類別的重疊葉片。ePaCC改進(jìn)自一種全新的輕量級(jí)卷積模塊位置感知卷積（PaCC）[29]，其憑借全卷積的結(jié)構(gòu)完美融合了Vision Transformer的優(yōu)點(diǎn)。該模塊具有全局感受野的同時(shí)，也具備普通卷積的位置敏感性。ePaCC與普通的輕量級(jí)卷積神經(jīng)網(wǎng)絡(luò)和ViT相比，擁有更好的性能、更少的參數(shù)和更快的推理速度。其結(jié)構(gòu)如圖3所示。

ePaCC模塊提取特征的主要結(jié)構(gòu)為PaCC算子，該算子主要有2種類型，分別是垂直方向的PaCC算子（PaCC-V）以及水平方向的PaCC算子（PaCC-H）。如圖4所示，PaCC-H的感受野能覆蓋一整行，而PaCC-V的感受野則能覆蓋一整列。結(jié)合PaCC-H和PaCC-V則能實(shí)現(xiàn)提取全局特征的功能。以PaCC-V為例，PaCC算子的實(shí)現(xiàn)見公式（1）～公式（5）：

peV=F（p ～ eV）=[peV0，peV1，…，peVh-1]T （1）

peVe=EV（peV，w） （2）

kV=F（k ～ ）=[kV0，kV1，…，kVh-1] （3）

xp=x+peVe （4）

yi，j=∑ ?t∈（0，h-1） kVtxp[（i+t）modh，j] （5）

其中peV是指垂直方向?qū)嵗恢镁幋a，通過F（雙線性插值函數(shù)）由一個(gè)垂直方向基本位置編碼p ～ eV生成。p ～ eV由垂直方向的實(shí)例位置編碼延展得到；peVe是垂直方向位置編碼的展開形式；kV是每一個(gè)PaCC的實(shí)例卷積核，由基本的實(shí)例卷積核k ～ 通過雙線性插值函數(shù)得到。x是輸入特征圖；xp是包含了位置信息的輸入特征圖；yi，j表示PaCC模塊在位置（i，j）處輸出的特征。EV：垂直方向延展；w：實(shí)例位置編碼雙線性插值后張量的寬度；mod：模運(yùn)算；h：高度。

Metaformer結(jié)構(gòu)是Vision Transformer取得成功的關(guān)鍵之一[30]，它通常由2個(gè)重要的組件構(gòu)成：令牌混合器和通道混合器。前者用于在不同空間位置的令牌之間交換信息，后者用于在不同通道之間交換信息。ePaCC模塊則使用一組串并聯(lián)的PaCC算子替換Metaformer中的自注意力模塊，構(gòu)成一個(gè)新的空間模塊。為了使純卷積架構(gòu)的PaCC模塊也具有數(shù)據(jù)驅(qū)動(dòng)性，引入eSE注意力模塊作為ePaCC模塊的通道混合器，使網(wǎng)絡(luò)模型可以關(guān)注輸入特征圖中更加重要的特征信息，同時(shí)抑制不必要的干擾信息，從而輸出語(yǔ)義信息更豐富的特征圖。

1.7 eSE注意力模塊

SE注意力模塊是卷積神經(jīng)網(wǎng)絡(luò)中最常用的注意力模塊[31]。如圖5所示，SE注意力模塊中2個(gè)壓縮通道維數(shù)的全連接層會(huì)導(dǎo)致通道信息丟失的問題。因此本研究采用eSE通道注意力模塊[32]替代PaCC模塊中的SE通道注意力模塊。該模塊只使用一個(gè)通道數(shù)為C的全連接層，保證了通道信息不會(huì)因?yàn)橥ǖ缐嚎s而丟失，進(jìn)一步增強(qiáng)了實(shí)例激活圖的質(zhì)量，并提升了模型的推理速度。假設(shè)給定特征圖Xi∈RC×H×W，經(jīng)過eSE注意力模塊后輸出的特征圖可以用公式表示為：

AeSE（Xi）=σ{WC[Fgap（Xi）]} （6）

X0=XiAeSE（Xi） （7）

其中Fgap（·）為全局平均池化;WC是全連接層;σ是一個(gè)Sigmoid激活函數(shù)。

1.8 掩碼分支

本研究的掩碼分支沿用了SparseInst的掩碼分支，首先通過卷積層生成掩碼特征圖M∈RD×H×W，結(jié)合來(lái)自實(shí)例分支的動(dòng)態(tài)卷積核{(lán)wi}N生成每一個(gè)實(shí)例對(duì)象的分割掩碼mi=wi×M。最后通過雙線性插值恢復(fù)到原始比例的特征圖。

實(shí)例激活圖會(huì)隨輸入特征的改變而改變，因此很難手工制定規(guī)則來(lái)分配標(biāo)簽進(jìn)行模型訓(xùn)練。針對(duì)該問題，本研究將標(biāo)簽分配問題轉(zhuǎn)化為二部圖匹配問題，并使用匈牙利算法[33]實(shí)現(xiàn)預(yù)測(cè)對(duì)象與實(shí)例激活圖的一一映射。二部圖匹配有助于實(shí)例激活圖突出顯示單個(gè)實(shí)例對(duì)象并抑制冗余預(yù)測(cè)，因此避免了計(jì)算繁瑣的非極大值抑制（NMS），節(jié)約了大量模型推理時(shí)間。

2 結(jié)果與分析

2.1 模型訓(xùn)練

試驗(yàn)環(huán)境為Nvidia GTX 1080Ti GPU、顯存11 G和Linux Ubuntu 18.04操作系統(tǒng)。本研究中的所有網(wǎng)絡(luò)模型都基于開源框架detectron2和Pytorch進(jìn)行部署，同時(shí)配備了Python3.7、Cuda10.2并行計(jì)算架構(gòu)以及Cudnn7.6 GPU加速庫(kù)。

參數(shù)設(shè)置：每次迭代訓(xùn)練的圖片為4張，ePaCC-SparseInst、SparseInst、SOLOV2、CondInst均迭代25 000次，而Mask R-CNN僅迭代10 000次，這是因?yàn)閑PaCC-SparseInst的二部圖匹配算法需要更多訓(xùn)練輪次來(lái)收斂網(wǎng)絡(luò)模型，而Mask R-CNN則會(huì)因?yàn)榈喆芜^多而產(chǎn)生過擬合的現(xiàn)象，導(dǎo)致分割精度劇烈降低。ePaCC-SparseInst的初始學(xué)習(xí)率為0.000 050 0，因?yàn)槎繄D匹配算法對(duì)學(xué)習(xí)率十分敏感，初始學(xué)習(xí)率太大會(huì)導(dǎo)致模型在訓(xùn)練開始時(shí)就梯度爆炸。當(dāng)網(wǎng)絡(luò)迭代到16 000次和20 000次時(shí)，學(xué)習(xí)率會(huì)分別衰減為0.000 005 0和0.000 000 5；SOLOv2和CondInst的初始學(xué)習(xí)率為0.000 200 0，學(xué)習(xí)率衰減規(guī)則同ePaCC-SparseInst一致；Mask R-CNN的初始學(xué)習(xí)率為0.005 000 0，當(dāng)網(wǎng)絡(luò)迭代到8 000次和9 000次時(shí)，學(xué)習(xí)率會(huì)衰減為0.000 500 0和0.000 050 0。此外SparseInst和ePaCC-SparseInst中的超參數(shù)N設(shè)為100，超參數(shù)D設(shè)為256。為了保證試驗(yàn)結(jié)果的可信性，本研究中所有展示的評(píng)價(jià)指標(biāo)都是3次訓(xùn)練結(jié)果的平均值。

2.2 評(píng)價(jià)指標(biāo)

本研究使用實(shí)例分割算法中最常用的評(píng)價(jià)指標(biāo)平均分割精度（AP）來(lái)衡量網(wǎng)絡(luò)模型的分割精度，包括AP50、AP75、APs、APm以及AP1。其中AP50和AP75表示真實(shí)標(biāo)簽和預(yù)測(cè)結(jié)果的交并比為50%以及75%時(shí)的平均分割精度；APs表示像素小于322實(shí)例對(duì)象的平均分割精度，在本研究中用來(lái)衡量網(wǎng)絡(luò)對(duì)小葉片的檢測(cè)效果；AP1表示像素大于962實(shí)例對(duì)象的平均分割精度，在本研究中用來(lái)評(píng)估網(wǎng)絡(luò)對(duì)大葉片的檢測(cè)效果；而APm表示像素則介于322和962之間實(shí)例對(duì)象的平均分割精度。AP的計(jì)算公式如下所示：

P= TP TP+FP ×100% （8）

R= FP TP+FN ×100% （9）

AP=∫ 10P（R） （10）

式中，TP表示正樣本被預(yù)測(cè)正確的像素總和；FP表示正樣本被預(yù)測(cè)錯(cuò)誤的像素總和；FN表示負(fù)樣本被預(yù)測(cè)錯(cuò)誤的像素總和；P表示準(zhǔn)確率；R表示召回率；AP表示平均分割精度。

為了衡量模型的推理速度，本研究使用模型在1080Ti服務(wù)器上每秒傳輸幀數(shù)（Frames per second，F(xiàn)PS）作為模型推理速度的評(píng)價(jià)指標(biāo)。

2.3 模型主干網(wǎng)絡(luò)的選擇與分析

主干網(wǎng)絡(luò)（Backbone）是模型提取特征的關(guān)鍵部件之一，能提取輸入圖片的信息，生成不同尺度的特征圖，供后續(xù)網(wǎng)絡(luò)的檢測(cè)與分割。選擇正確的主干網(wǎng)絡(luò)以及合適的網(wǎng)絡(luò)深度可以讓模型的性能得到進(jìn)一步提升。本研究選用ResNet系列中4種不同深度的模型作為ePaCC-SparseInst的主干網(wǎng)絡(luò)并進(jìn)行了一系列的試驗(yàn)分析，試驗(yàn)結(jié)果如表1所示。結(jié)果表明，ResNet-50作為ePaCC-SparseInst的主干網(wǎng)絡(luò)時(shí)，分割效果明顯優(yōu)于其他幾種模型，同時(shí)模型FPS達(dá)到43.52，滿足實(shí)時(shí)性的需求。ResNet-18和ResNet-34雖有較快的推理速度，但是分割精度都低于ResNet-50。而ResNet-101則因?yàn)榫W(wǎng)絡(luò)模型的進(jìn)一步加深，出現(xiàn)了一定程度的性能衰退。因此，綜合考慮模型的精度和推理速度，本研究選用ResNet-50作為ePaCC-SparseInst的主干網(wǎng)絡(luò)。

2.4 模型消融試驗(yàn)

消融試驗(yàn)可以探究網(wǎng)絡(luò)中的各個(gè)子結(jié)構(gòu)對(duì)模型性能產(chǎn)生的影響。表2展示了實(shí)例上下文編碼器中各個(gè)組件對(duì)網(wǎng)絡(luò)模型性能的影響。為了增大感受野和獲取更多的實(shí)例上下文信息，增加金字塔池化模塊使模型的AP較基準(zhǔn)模型SparseInst提高了0.75個(gè)百分點(diǎn)。融合特征金字塔P3到P5的多尺度特征，增強(qiáng)了輸出單尺度特征的表達(dá)能力并將ePaCC-SparseInst的平均分割精度進(jìn)一步提高至85.33%。此外為了驗(yàn)證ePaCC-SparseInst中新增模塊的效果，本研究設(shè)置了消融試驗(yàn)，將ePaCC-SparseInst中改進(jìn)或者添加的模塊逐個(gè)刪除后進(jìn)行訓(xùn)練。試驗(yàn)結(jié)果如表3 所示。

從表3可以看出，使用PaCC模塊替換普通卷積層解碼特征之后，模型的AP提高了0.29個(gè)百分點(diǎn)，F(xiàn)PS提高了1.19，APs從60.33%提升至61.63%，這是因?yàn)橐氲腜aCC模塊有著普通卷積層所不具備的全局感受野，能在全局的范圍內(nèi)，找到普通卷積網(wǎng)絡(luò)不能感知的小葉片。將PaCC中的SE注意力模塊替換成eSE注意力模塊之后，模型的性能又獲得了進(jìn)一步的提升，雖然平均分割精度僅提高了0.17個(gè)百分點(diǎn)，但模型的推理速度提升了1.33。這是因?yàn)閑SE注意力模塊中的單層全連接層緩解了PaCC模塊通道丟失問題，同時(shí)進(jìn)一步提高了模型的推理速度。通過上述消融試驗(yàn)可以發(fā)現(xiàn)，本研究對(duì)SparseInst的改進(jìn)都取得了積極的作用，特別是引入了eSE注意力模塊的ePaCC模塊對(duì)模型的精度和速度都有較大提升。

2.5 ePaCC的層數(shù)對(duì)模型性能的影響及分析

為了設(shè)計(jì)出更好的實(shí)例分支解碼器，本研究進(jìn)行了如表4所示的對(duì)比試驗(yàn)。該試驗(yàn)評(píng)估了不同層數(shù)的ePaCC模塊對(duì)模型性能的影響。

由表4可以看出，當(dāng)ePaCC的層數(shù)從1層增加到2層時(shí)，模型的分割精度得到略微的提升，但是模型的FPS降低了2.97 。而ePaCC的層數(shù)增加到3層時(shí)，模型的分割精度反而出現(xiàn)一定程度的降低，其中最為明顯的是APs，較1層ePaCC降低0.82個(gè)百分點(diǎn)，這表明模型對(duì)小葉片的分割精度出現(xiàn)了大幅降低。因此為了平衡分割精度和模型的推理速度，本研究選用層數(shù)為1的ePaCC作為實(shí)例分支中的解碼器。同時(shí)也證明了ePaCC有著較好的擬合能力，僅需1層就能很好地?cái)M合數(shù)據(jù)。

2.6 ePaCC-SparseInst與不同模型的對(duì)比試驗(yàn)

使用Komatsuna數(shù)據(jù)集對(duì)比Mask R-CNN以及目前較為先進(jìn)的實(shí)時(shí)實(shí)例分割方法。最后在相同的測(cè)試集下進(jìn)行推理測(cè)試，最終的試驗(yàn)結(jié)果如表5所示。

由表5可知，ePaCC-SparseInst實(shí)例分割算法在Komatsuna數(shù)據(jù)集上的FPS達(dá)到43.52，也就是單幀圖片的分割時(shí)間僅需22.97 ms，同時(shí)平均分割精度達(dá)到了85.33%。而經(jīng)典的實(shí)例分割算法Mask R-CNN單幀圖片的分割時(shí)間需要40.93 ms，平均分割精度僅為75.15%。如果直接將Mask R-CNN應(yīng)用于農(nóng)業(yè)場(chǎng)景中，將無(wú)法滿足實(shí)時(shí)分割植物葉片的需求。對(duì)比當(dāng)前較為流行的實(shí)時(shí)實(shí)例分割算法CondInst和SOLOv2，ePaCC-SparseInst在推理模型推理速度以及葉片分割精度上都有一定程度的優(yōu)勢(shì)。因此可以得出結(jié)論，ePaCC-SparseInst在推理速度和分割精度上都有著不錯(cuò)的效果，為模型在移動(dòng)端或算力較低的邊緣設(shè)備上部署提供了一種可行的方案。

此外，本研究還對(duì)上述幾種實(shí)例分割方法進(jìn)行了可視化分析，如圖6所示。其中Mask R-CNN的分割結(jié)果是最差的，這主要由Mask R-CNN的2個(gè)缺陷導(dǎo)致的：首先，Mask R-CNN是兩階段的實(shí)例分割算法，這導(dǎo)致掩碼的分割結(jié)果極度依賴檢測(cè)結(jié)果的準(zhǔn)確性。而檢測(cè)框出現(xiàn)偏差時(shí)，就會(huì)對(duì)分割結(jié)果產(chǎn)生影響。從圖6也可以看出這一現(xiàn)象，檢測(cè)框的不準(zhǔn)確導(dǎo)致部分葉片的葉尖部分沒有被分割出來(lái)。為了提高檢測(cè)的精度，有些方法在Faster R-CNN的基礎(chǔ)上進(jìn)行了一定的改進(jìn)，如Cascade R-CNN[34]等。但這些方法大多會(huì)增加額外的開銷，導(dǎo)致模型的復(fù)雜度以及推理時(shí)間大大增加。其次，Mask R-CNN在ROI Align之后，特征圖的分辨率僅為28×28，導(dǎo)致部分語(yǔ)義信息丟失。而以CondInst為代表的實(shí)例分割算法都拋棄了ROI Align，在原始特征層上動(dòng)態(tài)地生成分割掩碼，盡可能地保留更多的語(yǔ)義信息。但CondInst實(shí)例分割算法從本質(zhì)上來(lái)說還是兩階段實(shí)例分割算法，只是將檢測(cè)算法從Faster R-CNN替換成了檢測(cè)精度更高的FCOS[28]，因此也會(huì)因?yàn)闄z測(cè)結(jié)果不佳影響最終掩碼的分割精度。SOLOv2將分割問題很好地轉(zhuǎn)化為位置分類問題，做到了不需要目標(biāo)檢測(cè)來(lái)引導(dǎo)實(shí)例分割。但是其在小面積葉片的分割與檢測(cè)上，很容易出現(xiàn)漏檢的情況。由表5中SOLOv2 APs指標(biāo)以及圖6也可以看出這個(gè)缺陷。而ePaCC-SparseInst在模型分割精度上較SparseInst有著略微的提高。從SparseInst的第二張可視化圖中可以看出，葉子細(xì)小的葉柄沒有被完整的分割出來(lái)，而改進(jìn)的SparseInst則將細(xì)小的葉柄分割出來(lái)了。同時(shí)也可以看出ePaCC-SparseInst分割出的葉片較SparseInst一般有著更高的置信分。這說明ePaCC模塊使ePaCC-SparseInst的實(shí)例分支輸出的實(shí)例激活圖更具全局性，使得模型的分割精度得到了進(jìn)一步的提升。

另外，在CVPPP A5數(shù)據(jù)集上，ePaCC-SparseInst的FPS也達(dá)到了41.63 ，比SparseInst快4.5。引入帶有全局感受野的ePaCC模塊后，全局感受野對(duì)葉面積較大的葉片感知能力得到了提升，ePaCC-SparseInst的AP1比SparseInst平均分割精度高2.74個(gè)百分點(diǎn)。補(bǔ)充的CVPPP A5數(shù)據(jù)集也說明了本研究提出的ePaCC-SparseInst在實(shí)時(shí)分割葉片上效果較其他算法有較大的優(yōu)勢(shì)。

2.7 模型復(fù)雜度分析

為了對(duì)比本研究的模型與現(xiàn)有的實(shí)例分割模型的復(fù)雜度以及模型參數(shù)量的大小，選用ResNet-50為主干網(wǎng)絡(luò)，輸入模型的圖像尺寸為480×480像素的小松菜植物圖像，對(duì)比各個(gè)模型的每秒浮點(diǎn)計(jì)算數(shù)（Floating point operations per second，F(xiàn)LOPs）和模型參數(shù)量。

由表6可知，與Mask R-CNN、SOLOv2等實(shí)例分割算法相比，ePaCC-SparseInst的模型每秒浮點(diǎn)計(jì)算數(shù)以及參數(shù)量都得到了大幅的降低；同時(shí)， ePaCC-SparseInst較SparseInst增加的模型參數(shù)量可以忽略不計(jì)，但模型每秒浮點(diǎn)計(jì)算數(shù)減少了16.06 G。因此，全卷積結(jié)構(gòu)的ePaCC-SparseInst大幅削減了模型每秒浮點(diǎn)計(jì)算數(shù)和參數(shù)量，同時(shí)提高了模型的分割精度，為在算力較低的設(shè)備上實(shí)現(xiàn)實(shí)時(shí)實(shí)例分割提供了一種可行的參考方案。

3 討 論

本研究以Komatsuna數(shù)據(jù)集中的小松菜各個(gè)生長(zhǎng)階段的圖片為主要研究對(duì)象，以SparseInst實(shí)例分割網(wǎng)絡(luò)為基礎(chǔ)，兼顧模型精度和推理速度，對(duì)SparseInst實(shí)例分割網(wǎng)絡(luò)進(jìn)行了改進(jìn)，構(gòu)建了ePaCC-SparseInst實(shí)時(shí)實(shí)例分割網(wǎng)絡(luò)，并進(jìn)行了一定的試驗(yàn)分析和評(píng)估。最終得到了如下結(jié)論：

1） 引入了稀疏的實(shí)例激活圖作為對(duì)象的表示方式，并使用匈牙利算法實(shí)現(xiàn)標(biāo)簽和預(yù)測(cè)結(jié)果一一映射，大大地提高了模型的推理速度。同時(shí)在解碼器中使用帶有全局感受野的ePaCC模塊。該模塊把PaCC模塊中的SE注意力模塊替換成能更好得保留通道信息的eSE注意力模塊，進(jìn)一步降低了模型在單張圖片上的推理時(shí)間。

2） 基于Komatsuna數(shù)據(jù)集中原先和數(shù)據(jù)增強(qiáng)后的共3 600張圖片，對(duì)ePaCC-SparseInst實(shí)例分割網(wǎng)絡(luò)進(jìn)行試驗(yàn)。結(jié)果表明：ePaCC-SparseInst實(shí)例分割網(wǎng)絡(luò)的平均精度為85.33%，推理速度每秒傳輸幀數(shù)為43.52。

3）通過消融試驗(yàn)證明了ePaCC-SparseInst各個(gè)改進(jìn)模塊的有效性。并將其與Mask R-CNN、CondInst和SOLOv2等實(shí)例分割算法進(jìn)行對(duì)比試驗(yàn)，結(jié)果表明改進(jìn)后的SparseInst實(shí)例分割算法無(wú)論在分割精度上還是模型推理速度上，都優(yōu)于其他實(shí)例分割算法。

本研究為基于圖像實(shí)例分割的植物表型研究提供了一種兼顧精度和速度的改進(jìn)思路，對(duì)植物葉片的表型研究和實(shí)際應(yīng)用領(lǐng)域都具有重要的應(yīng)用價(jià)值和前景。

參考文獻(xiàn)：

[1] ?ZHOU Y， SRINIVASAN S， MIRNEZAMI S V， et al. Semiautomated feature extraction from RGB images for sorghum panicle architecture GWAS[J]. Plant Physiology，2019，179（1）：24-37.

[2] PIERUSCHKA R， SCHURR U. Plant phenotyping：past，present，and future[J]. Plant Phenomics，2019，2019（3）：1-6.

[3] SCHARR H， MINERVINI M， FRENCH A P， et al. Leaf segmentation in plant phenotyping：a collation study[J]. Machine Vision and Applications，2016，27（4）：585-606.

[4] GUO R， QU L， NIU D， et al. LeafMask：towards greater accuracy on leaf segmentation[C]. Montreal，BC，Canada：IEEE，2021.

[5] ?GRAND-BROCHIER M， VACAVANT A， CERUTTI G， et al. Tree leaves extraction in natural images：comparative study of preprocessing tools and segmentation methods[J]. IEEE Transactions on Image Processing，2015，24（5）：1549-1560.

[6] SCHARR H， PRIDMORE T， TSAFTARIS S A. Computer vision problems in plant phenotyping[C]. Venice，Italy：IEEE，2017.

[7] UCHIYAMA H， SAKURAI S， MISHIMA M， et al. An easy-to-setup 3D phenotyping platform for KOMATSUNA dataset[C]. Venice，Italy：IEEE，2017.

[8] 蔣煥煜，施經(jīng)揮，任 燁，等. 機(jī)器視覺在幼苗自動(dòng)移缽作業(yè)中的應(yīng)用[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2009，25（5）：127-131.

[9] 孫國(guó)祥，汪小旵，何國(guó)敏. 基于邊緣鏈碼信息的番茄苗重疊葉面分割算法[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2010，26（12）：206-211.

[10] 王紀(jì)章，顧容榕，孫 力，等. 基于Kinect相機(jī)的穴盤苗生長(zhǎng)過程無(wú)損監(jiān)測(cè)方法[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2021，52（2）：227-235.

[11] 伍艷蓮，趙 力，姜海燕. 基于改進(jìn)均值漂移算法的綠色作物圖像分割方法[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2014，30（24）：161-167.

[12] 胡 靜，陳志泊，張榮國(guó)， 等. 基于魯棒隨機(jī)游走的交互式植物葉片分割[J]. 模式識(shí)別與人工智能，2018，31（10）：933-940.

[13] ?KAN J， GU Z， MA C， et al. Leaf segmentation algorithm based on improved U-shaped network under complex background[C]. Chongqing，China：IEEE，2021.

[14] YIN X， LIU X， CHEN J， et al. Multi-leaf alignment from fluorescence plant images[C]. Steamboat Springs，CO，USA：IEEE，2014.

[15] REN M， ZEMEL R S. End-to-end instance segmentation with recurrent attention[C]. Honolulu，HI，USA：IEEE，2017.

[16] HE K， GKIOXARI G， DOLLR P， et al. Mask R-CNN[C]. Venice，Italy：IEEE，2017.

[17] 喬 虹，馮 全，趙 兵，等. 基于Mask R-CNN的葡萄葉片實(shí)例分割[J]. 林業(yè)機(jī)械與木工設(shè)備，2019，47（10）：15-22.

[18] 袁 山，湯 浩，郭 亞. 基于改進(jìn)Mask R-CNN模型的植物葉片分割方法[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2022，38（1）：212-220.

[19] 邢潔潔，謝定進(jìn)，楊然兵，等.基于YOLOv5s的農(nóng)田垃圾輕量化檢測(cè)方法[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2022，38（19）：153-161.

[20] CHENG T， WANG X， CHEN S， et al. Sparse instance activation for real-time instance segmentation[C]. New Orleans，LA，USA：IEEE，2022.

[21] HU H， GU J， ZHANG Z， et al. Relation networks for object detection[C]. Salt Lake City，UT，USA：IEEE，2018.

[22] REN S， HE K， GIRSHICK R， et al. Faster R-CNN：towards real-time object detection with region proposal networks[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence，2017，39（6）：1137-1149.

[23] GUO R， NIU D， QU L， et al. SOTR：segmenting objects with transformers[C]. Montreal，QC，Canada：IEEE，2021.

[24] WANG X， ZHANG R， KONG T， et al. SOLOv2： dynamic and fast instance segmentation[C]. Red Hook，NY，USA：Curran Associates Inc.，2020.

[25] BUSLAEV A， IGLOVIKOV V I， KHVEDCHENYA E， et al. Albumentations：fast and flexible image augmentations：2[J]. Information，2020，11（2）：125.

[26] LIN T-Y， DOLLR P， GIRSHICK R， et al. Feature pyramid networks for object detection[C]. Honolulu，HI，USA：IEEE，2017.

[27] ZHAO H， SHI J， QI X， et al. Pyramid scene parsing network[C]. Honolulu，HI，USA：IEEE，2017.

[28] TIAN Z， SHEN C， CHEN H， et al. FCOS：fully convolutional one-stage object detection[C]. Seoul，South Korea：IEEE，2019.

[29] ZHANG H， HU W， WANG X. ParC-Net：position aware circular convolution with merits from ConvNets and transformer[C]. Tel Aviv，Israel：Springer Nature Switzerland，2022.

[30] YU W， LUO M， ZHOU P， et al. Metaformer is actually what you need for vision[C]. New Orleans，LA，USA：IEEE，2022.

[31] HU J， SHEN L， ALBANIE S， et al. Squeeze-and-excitation networks[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence，2020，42（8）：2011-2023.

[32] LEE Y， PARK J. CenterMask：real-time anchor-free instance segmentation[C]. Seattle，WA，USA：IEEE，2020.

[33] STEWART R， ANDRILUKA M， NG A Y. End-to-end people detection in crowded scenes[C]. Las Vegas，NV，USA：IEEE，2016.

[34] CAI Z， VASCONCELOS N. Cascade R-CNN： delving into high quality object detection[C]. Salt Lake City，UT，USA：IEEE，2018.

（責(zé)任編輯：陳海霞）