基于改進FPN模型的西瓜幼苗智能識別方法

摘要：為提高對不同時期西瓜幼苗智能識別的準確度和運行效率，采用深度學習技術提出改進特征金字塔模型（FPN）的智能識別方法。首先結合特征金字塔網絡模型和Res2Net模型設計網絡模型，利用有效通道注意力機制（ECA）賦予空間特征不同權重，采用通道參數共享的方式，降低模型的計算復雜度；然后采用殘差結構對模型進行優化改進，在不增加訓練參數的情況下，解決網絡深度不斷提升時出現的網絡退化問題；最后在全連接層使用深度可分離卷積替換傳統卷積，從而大幅減少計算量，實現輕量化的設計。對不同生長期西瓜幼苗葉片進行試驗。結果表明：與幾種較為先進的識別算法相比，提出的識別方法具有更高的識別準確度和最短的運算耗時，識別率達到96.84%，等誤率僅為0.54%，平均精度mAP達到91.68%，運算耗時低至112 ms，為推動智慧農業的發展和實現智能化的農業管理決策提供技術保障。

關鍵詞：農作物表型識別；深度學習；特征金字塔；殘差網絡；多尺度特征；可分離卷積

中圖分類號：S651；TP391.4

文獻標識碼：A

文章編號：2095-5553（2024）12-0148-06收稿日期：2023年5月16日

修回日期：2023年7月31日

*基金項目：河南省高等學校重點科研項目（21A520029）

第一作者：李彥勤，女，1981年生，河南南陽人，碩士，講師；研究方向為人工智能與計算機應用。E-mai：leeoyq@126.com

通訊作者：王曉婷，女，1982年生，山西陽泉人，碩士，高級工程師；研究方向為計算機軟件和農業物聯網。E-mail：xtking82@126.com

Intelligent identification method for watermelon seedlings based on improved FPN model

Li Yanqin^{1， 2}， Wang Xiaoting³

（1. Henan Intelligent Agricultural Remote Environmental Monitoring Control Engineering Technology Research Center， Zhengzhou， 450008， China; 2. School of Intelligent Finance， Henan Institute of Economics and Trade， Zhengzhou， 450008， China; 3. College of Information Engineering， Kaifeng University， Kaifeng， 475004， China）

Abstract： In order to improve the accuracy and efficiency of intelligent identification of watermelon seedlings in different periods， an intelligent recognition method with improved Feature Pyramid Network （FPN） is proposed by using deep learning technology. Firstly， a network model was designed by combining the feature pyramid network model and the Res2Net model， and the Efficient Channel Attention （ECA） mechanism was used to assign different weights to spatial features， and the channel parameter sharing was adopted to reduce the computational complexity of the model. Then， the residual structure was used to optimize and improve the model， which solved the problem of network degradation that occurred when the network depth continued to increase without increasing training parameters. Finally， the deep separable convolutions were used in the fully connected layer to replace traditional convolutions， significantly reducing computational complexity and achieving a lightweight design. The experimental results on watermelon seedling leaves at different growth stages show that the proposed recognition method has higher recognition accuracy and the shortest computational time， compared with several more advanced recognition algorithms， the recognition rate is up to 96.84%， an equal error rate is only 0.54% and the mAP is up to 91.68%， and the computational time is as low as 112 ms， providing technical support for promoting the development of intelligent agriculture and achieving intelligent agricultural management decision-making.

Keywords： crop phenotype recognition; deep learning; feature pyramid; residual network; multi scale features; separable convolution

0 引言

農作物表型信息提取是利用圖像識別、深度學習等人工智能技術，自動化分析農作物的形態、顏色、紋理、生理、病蟲害等性狀的方法，在現代農業科學研究和農業生產管理中具有重要的意義^［1-3］。通過對農作物表型特征的識別和檢測，可以幫助育種工作者快速、準確地鑒定農作物品種和性狀，有利于進一步研究農作物形態、生理和遺傳等方面的規律和機制，為農作物選育和改良提供科學依據^{［4， 5］}。另外，對農作物表型特征的識別還可以檢測出農作物當前所處的生長階段，并及早發現農作物的病蟲害情況，以便采取更加精細化的防治措施，實現對農田作物的高效、精準的管理，確保農作物的增產增收，從而保障國家糧食安全^［6-8］。

傳統的農作物表型識別主要依賴于特征提取和分類器構建的方法。例如，婁路等^［9］利用多源遙感圖像數據獲取大范圍內農作物的表型信息，通過構建時間序列進行聚類分析，并應用圖像處理和決策樹支持算法，對多個農作物品種進行特征提取和分類，實現了對大面積農作物的快速識別。然而，這種方法的準確率和穩定性受到分類器復雜性的限制，無法指導精細化的作業。由于農作物表型圖像之間具有很強的相似性，識別任務需要具備較高的表達能力，同時圖像之間的差異受到光照、姿態、角度和位置等因素的影響，增加了識別的難度。近年來，隨著人工智能技術的發展，深度學習算法在各領域得到了廣泛應用。其中，卷積神經網絡（CNN）技術在農作物表型識別方面提供了新的思路和方法。例如，袁山等^［10］針對難以獲取農作物在不同生長階段表型特征參數的問題，采用深度卷積神經網絡設計了莖葉分割算法，利用Mask-RCNN模型對大量數據集進行訓練，可以較為準確地識別出農作物的表型，但由于運算量較大。王曉婷等^［11］為了提高植物表型檢測的精準度，提出了植物表型分割方法，利用遷移學習算法、特征金字塔網絡和卷積神經網絡，通過融入特征融合策略顯著提升了識別精度。

本文以不同時期的西瓜幼苗為研究對象，為提高智能識別的準確度和運行效率，結合農作物表型特征之間差異較小的特性，從多尺度的農作物表型特征出發，利用特征金字塔網絡（FPN）模型和Res2Net模型，提取農作物表型的多尺度特征，并引入高效通道注意力機，從而提高模型空間特征和通道特征有效的交互能力，然后采用分離卷積減少網絡參數和計算量，來提高模型效率，最后通過對比試驗和消融試驗驗證提出方法的有效性和優越性。

1 智能識別網絡模型

1.1 改進的特征金字塔融合模型

結合特征金字塔網絡 （FPN）模型和Res2Net模型^{［12， 13］}，提出改進的特征金字塔的融合模型，通過在有效通道注意力機制（ECA）模塊^［14］中引入k鄰域，提供一種具有局部約束的跨道交互方法，降低模型的計算復雜度，如圖1所示。

該模塊與FPN結構相似，具有自底向上，自頂向下的縱向結構，也具有不同層次的橫向連接。與FPN不同的是采用了分組卷積，通過對不同通道卷積次數的設置提取不同深度特征構成圖像特征金字塔，再通過上采樣將不同深度特征通過相位相加完成橫向連接，從而完成特征的融合。

1.2 有效通道注意力機制

基于通道注意力（Channel Attention，CA）的方法在提高卷積神經網絡的性能方面表現出了巨大的潛力^［15］。為了進一步提取農作物表型特征，解決不同特征融合造成的特征冗余問題，保留通道維數且進行跨道交互，采用有效通道注意力機制（ECA）對不同空間特征維度賦予可學習的權值，ECA網絡結構如圖2所示。

對于未降維的特征 f∈R^C， ECA模塊可以表示為

E（f）=ω×f （1）

式中： ω ——通道注意力的權重矩陣。

式中： Ω^k_i —— f_i 的 k 領域通道的集合。

通過引入 k 鄰域，提供一種具有局部約束的跨道交互方法來提升模型的效率，并且通過令所有通道參數共享的方式，降低了模型的計算復雜度。此時，可以用卷積核尺寸為 k 的一維卷積函數如式（3）所示。

ω=conv1D（f） （3）

通常情況下，一維卷積采用Sigmoid函數作為激活函數。對于給定的通道數C，卷積核尺寸 k 可以被自適應的設計為

式中： |·|_odd ——距離結果最近的奇數，本文中參數 γ 和 b 分別設定為2和1。

1.3 FPN-ECA-Resnet網絡

采用深層網絡模型解決復雜的問題時，往往會遇到模型過擬合和梯度彌散等問題。隨著網絡層數的增加，模型的學習能力通常會出現退化^［16］，深層網絡結構并不一定會比淺層網絡取得更好的效果，所以采用殘差結構進行優化改進，結構如圖3所示。

一個典型的殘差網絡通常由多個卷積模塊組成，每層模塊包含若干卷積層、批歸一化層和一個池化層。采用 F_n 表示第n個卷積模塊的輸出， H_n（·） 表示表第n個卷積模塊的非線性變化（通常包括卷積、批歸一化、激活函數和池化等運算）。那么，一個殘差網絡模塊可以表示為 F_n=H_n（F_n-1）+F_n-1 （5）式中： F_n-1 ——上一個殘差模塊的輸出；

H_n（F_n-1） ——第n個卷積網絡模塊的輸出。

當 F_n 和 F_n-1 的尺寸大小不一致時，利用1×1的卷積對 F_n-1 升維或者降維。殘差網絡在不額外增加訓練參數的情況下，解決了網絡深度不斷提升時出現的網絡退化問題，使得深層網絡的性能不斷提升。通過實驗也驗證了對于同等深度的網絡模型，采用殘差結構的網絡更易優化，收斂速度更快，大幅提升了深度網絡模型的性能。

1.4 輕量化設計

在卷積神經網絡中，卷積層消耗了大量的計算資源，而農作物表型識別算法通常需要部署在資源有限的設備中，所以對尺寸和模型的計算復雜度有一定的要求。為了確保算法的高效性，本文對網絡模型進行了輕量化的設計。由于權重參數又主要在全連接層，所以本文采用了深度可分離卷積替換傳統卷積以減少計算量，深度分離卷積如圖4所示。

在最后神經網絡層，使用1×1卷積核降低特征維數。在多尺度特征融合之前，如果輸入的特征大小為 W×H×C_I， 卷積核尺寸為 D_K×D_K， 輸出通道個數為 C_O。 卷積的輸出層為 W×H×C_O。 卷積核的參數為 D_K×D_K×C_I×C_O。 本文通過深度卷積與點卷積解決了參數量過大的問題。對于深度卷積，其卷積核參數數量為 D_K×D_K×C_I， 計算量為 D_K×D_K×C_I×W×H。 對于點卷積，其參數個數為 C_I×C_O， 計算量 W×H×C_I×C_O。 本文使用了3×3的卷積核，所以計算參數和計算量約為傳統卷積的1/9。

2 試驗結果與分析

考慮到多尺度特征融合和有效通道注意力的優勢，提出如圖5所示的西瓜幼苗智能識別的深度卷積神經網絡。

2.1 參數設置

所有的試驗都是在PyTorch框架和兩個NVIDIA 2080 Ti GPU（11G）的環境下進行。將80%的數據用于訓練，剩下的20%用于測試。所有試驗環境進行200個epoch，批量大小為32，并保存了訓練后獲得的最佳權重，進一步用于測試模型在測試圖像上的性能。在所有的訓練過程中，都采用了數據增強策略。使用隨機梯度下降（SGD）算法，初始學習率為0.000 1，動量為0.9，權重衰減為0.000 5，以優化模型的性能。余弦學習率調度器被用作默認的學習率調整策略。

2.2 數據集

為了驗證搭建的智能識別網絡的性能，在不同光照環境下，以不同角度拍攝處于不同生長期的西瓜葉片圖像，主要分為四種類型：發芽期，幼苗期，抽蔓期，結果期，共獲得6 000張圖片數據。然后，將6 000張圖片拆分成訓練集和測試集，數量分別為4 800張和1 200張。采用文獻［17］中的ROI（感興趣區域）提取方法對采集的原始圖片數據進行處理。這種方法可以有效降低訓練成本，并使模型更加關注目標區域。為了統一ROI的尺寸，將其規定為224×224大小，以便用于訓練過程。

為了增強訓練集的多樣性，采用圖像變換的方式進行數據增強。具體的數據增強方法包括圖像翻轉、圖像旋轉、圖像平移、圖像剪切和縮放等。在訓練數據分批輸入時，隨機對輸入圖像進行這些圖像變換操作，以達到數據增強的目的，避免模型出現過擬合的現象。表1展示了具體的數據增強方法及其參數設置。

每輪訓練時，每張訓練圖像都會被隨機進行圖像變換。然而，訓練時的圖像總數保持不變，這樣可以在不增加額外訓練時間的基礎上，使訓練圖像具備更多的變化，從而防止模型過擬合的問題的發生。通過這樣的數據增強策略，能夠更好地訓練模型，提高其泛化能力和魯棒性。

2.3 評價方法

通常采用準確率（ACC，也稱識別率）、錯誤識別率（FRR）、錯誤接受率（FAR）和等誤率（EER）等指標對識別算法的性能進行客戶評估。

準確率（ACC）：代表測試中正確識別樣本類別的次數，是用于評估識別性能的經典指標。準確率的定義如式（6）所示。

ACC=N_R/N×100% （6）

式中： N_R ——測試中得到正確識別的次數；

N——測試的總次數。

錯誤拒絕率（FRR）：通常表示錯誤拒絕的比例。將所有采樣的農作物表型樣本與改采樣對象所有樣本進行同指匹配，若相似度小于給定閾值，則判定改次匹配為錯誤匹配，統計所有的匹配結果，錯誤拒絕率定義如式（7）所示。

FRR=N_S/N×100% （7）

式中： N_S ——測試結果中得到相似度值小于給定閾值的同指匹配次數。

錯誤接受率（FAR）：通常表示為錯誤接收的比例。農作物表型采樣對象的樣本與其他采用對象的所有樣本進行異指匹配，所得的相似度指不小于給定閾值，則判定該次匹配為“錯誤接受”，統計所有的匹配結果，錯誤拒絕率定義如式（8）所示。

FAR=N_A/N×100% （8）

式中： N_A ——測試結果中得到相似度值不小于給定閾值的同指匹配次數。

等誤率（EER）：錯誤接受率（FAR）和錯誤拒絕率（FRR）都與給定的匹配閾值相關，當閾值增大，FAR減小，FRR增大；當閾值減小，FAR增大，FRR減小。在某一合適的閾值下，FAR大小等于FRR，此時就得到了等誤率。一般而言，等誤率越低算法整體識別性能越好。采用準確率和等誤率兩個指標跟其他算法進行有效的對比。

此外，采用目標檢測算法中廣泛使用的評價指標mAP（平均精度均值）來綜合評估算法在不同目標類別上的檢測性能。mAP的計算基于精度-召回率曲線，并對曲線下的面積進行平均，它能夠提供對整體檢測性能的綜合度量，對于研究者和從業者來說具有重要的參考價值。具體而言，計算mAP的過程包括以下幾個步驟：首先目標檢測算法會根據置信度對檢測結果進行排序，并根據不同的置信度閾值計算相應的精度和召回率；然后，繪制精度—召回率曲線，并計算曲線下的面積，即每個類別的AP；最后，將所有類別的AP進行平均，得到mAP。計算如式（9）所示。

mAP=1/k∑k/i=1AP_i （9）

式中：k——目標類別的數量；

AP_i ——第i個類別的平均預測結果。

作為一種綜合性的評價指標，mAP能夠全面評估目標檢測算法在多個類別上的性能表現，較高的mAP值表示算法在各個類別上都有較好的精度和召回率，反之則表示算法的性能有待提升。引入mAP作為評價指標，有助于更全面、客觀地評估目標檢測算法，并方便進行不同算法之間的比較和分析。

2.4 不同識別方法對比

選擇處于不同生長期的西瓜幼苗葉片數據集進行測試，并將改進FPN模型的智能識別方法與文獻［11］、文獻［18］、文獻［19］比較，結果如圖6和表2所示。

從表2可看出，提出的改進FPN模型的西瓜幼苗智能識別算法獲得較高的準確率、較低的錯誤率以及最短的運算耗時，識別率已高達96.84%，等誤率低至0.54%，檢測指標mAP達到最高的91.68%，運算耗時也降低至112 ms，不僅能夠準確完成對西瓜幼苗的識別任務，還實現輕量化的設計，從而驗證本文所提出方法具有較高的識別性能。

2.5 消融試驗

選用ResNet18作為基礎網絡，分別將FPN模塊、ECA模塊去除，來驗證兩個模塊對子特征模塊和位置編碼信息的影響，得到不同網絡結構的識別結果如表3所示。

從表3可看出，只有基礎網絡ResNet18的結構，識別率僅為83.46%，等誤率為1.95%，說明在沒有改進的情況下，識別的準確率不高；在網絡ResNet18的基礎上，單獨引入ECA模塊，識別率提升7.73%、等誤率降低0.88%；單獨引入FPN模塊，識別率達到93.62。同時，引入FPN和ECA模塊，識別率達到最高的96.84%、等誤率降低至0.54%，同時獲得最高的91.68%的檢測性能。消融試驗結果表明，引入的FPN和ECA融合模塊有效改善了網絡模型的識別性能。

3 結論

1）由于農作物表型圖像紋理容易受到光照和姿態等因素的影響，增加判別的難度，以西瓜幼苗為研究對象，設計一個端到端的多尺度特征融合的作物表型智能識別算法，首先利用特征金字塔（FPN）和分離卷積完成農作物表型空間多尺度特征的提取與融合，然后采用高效通道注意力進一步完成空間特征和通道特征的交互，最后通過引入FPN和ECA模塊評估所提方法的有效性。

2）在處于不同生長期的西瓜表型數據集上進行測試，試驗結果表明，提出方法的識別率已高達96.84%，等誤率低至0.54%， mAP達到91.68%，同時達到輕量化的設計目標，運算耗時降低至112 ms。

3）消融試驗結果表明，FPN和ECA模塊的聯合使用能夠提升基于Resnet18搭建的網絡性能，大幅提高對西瓜幼苗識別的精準度，有利于精準施肥、除草和噴施農藥，為智慧農業的發展提供技術保障。

盡管本文的算法已經達到輕量化的設計目標，但隨著應用場景的擴展和實際部署需求的增加，仍然有進一步改進的空間。未來將考慮通過模型壓縮、量化或者剪枝等技術，進一步減少模型的參數量和計算復雜度，以提高算法在資源受限環境下的運行速度和效率。此外，還可以探索將算法部署到嵌入式設備、邊緣服務器或云平臺等不同的計算平臺上，以滿足不同應用場景的需求，并實現智慧農業技術的廣泛應用。

參 考 文 獻

［1］ 岑海燕， 朱月明， 孫大偉. 深度學習在植物表型研究中的應用現狀與展望［J］. 農業工程學報， 2020， 26（9）： 1-16.

Cen Haiyan， Zhu Yueming， Sun Dawei， et al. Current status and future perspective of the application of deep learning in plant phenotype research ［J］. Transactions of the Chinese Society of Agricultural Engineering， 2020， 26（9）： 1-16.

［2］ 姚仁秀， 陳燕， 呂曉琴， 等. 海拔及環境因子影響杜鵑屬植物的表型特征和化學性狀［J］. 生物多樣性， 2023， 31（2）： 23-37.

Yao Renxiu， Chen Yan， Lü Xiaoqin， et al. Altitude-related environmental factors shape the phenotypic characteristics

and chemical profile of rhododendron ［J］. Biodiversity Science， 2023， 31（2）： 23-37.

［3］ 朱潤軍， 楊巧， 李仕杰， 等. 植物表型可塑性對環境因子的響應研究進展［J］. 西南林業大學學報（自然科學）， 2021， 41（1）： 183-187.

Zhu Runjun， Yang Qiao， Li Shijie， et al. Advances at phenotypic plasticity in plant responses to environmental factors ［J］. Journal of Southwest Forestry University （Natural Science）， 2021， 41（1）： 183-187.

［4］ 盧鵬， 金靜靜， 曹培健， 等. 植物及煙草表型組學大數據研究進展［J］. 煙草科技， 2021， 54（3）： 90-100， 112.

Lu Peng， Jin Jingjing， Cao Peijian， et al. Progress on plant phenomics big data and their application in tobacco research ［J］. Tobacco Science amp; Technology， 2021， 54（3）： 90-100， 112.

［5］ 王春穎， 泮瑋婷， 李祥， 等. 基于STLSTM的植物生長發育預測模型［J］. 農業機械學報， 2022， 53（6）： 250-258.

Wang Chunying， Pan Weiting， Li Xiang， et al. Plant growth and development prediction model based on STLSTM ［J］. Transactions of the Chinese Society for Agricultural Machinery， 2022， 53（6）： 250-258.

［6］ 王映龍， 肖歡， 殷華， 等. 基于RGBD相機的黑皮雞樅菌子實體形態視覺測量［J］. 農業工程學報， 2022， 28（20）： 140-148.

Wang Yinglong， Xiao Huan， Yin Hua， et al. Measurement of morphology of oudemansiella raphanipies based on RGBD camera ［J］. Transactions of the Chinese Society of Agricultural Engineering， 2022， 28（20）： 140-148.

［7］ 陳旭波， 章雨希， 張亞芬， 等. 入侵植物藿香薊表型可塑性對種間競爭的響應［J］. 植物科學學報， 2023， 41（1）： 37-43.

Chen Xubo， Zhang Yuxi， Zhang Yafen， et al. Response of phenotypic plasticity of invasive Ageratum conyzoides L. to interspecific competition ［J］. Plant Science Journal， 2023， 41（1）： 37-43.

［8］ 王紅梅， 路寧娜， 陳小爽， 等. 兩種同域分布的馬先蒿屬植物花特征與報酬間的相關性及表型選擇［J］. 蘭州大學學報（自然科學版）， 2022， 58（3）： 292-297， 305.

［9］ 婁路， 呂惠， 宋然. 基于多視角時間序列圖像的植物葉片分割與特征提取［J］. 農業機械學報， 2022， 53（1）： 253-260.

Lou Lu， Lü Hui， Song Ran. Segmentation of plant leaves and features extraction based on muti-view and time-series image ［J］. Transactions of the Chinese Society for Agricultural Machinery， 2022， 53（1）： 253-260.

［10］ 袁山， 湯浩， 郭亞. 基于改進Mask R-CNN模型的植物葉片分割方法［J］. 農業工程學報， 2022， 28（1）： 212-220.

Yuan Shan， Tang Hao， Guo Ya. Segmentation method for plant leaves using an improved Mask R-CNN model ［J］. Transactions of the Chinese Society of Agricultural Engineering， 2022， 28（1）： 212-220.

［11］ 王曉婷， 趙展， 王陽， 等. 基于改進Mask R-CNN的植物表型智能檢測算法［J］. 中國農機化學報， 2022， 43（8）： 151-157.

Wang Xiaoting， Zhao Zhan， Wang Yang， et al. Intelligent detection algorithm of plant phenotype based on improved Mask R-CNN［J］. Journal of Chinese Agricultural Mechanization， 2022， 43（8）： 151-157.

［12］ 鄒龍， 王以松， 魏昆鵬， 等. LU-ReNet植物葉片分割與計數模型［J］. 計算機工程與設計， 2022， 43（2）： 553-559.

Zou Long， Wang Yisong， Wei Kunpeng， et al. LU-ReNet plant leaf segmentation and counting model ［J］. Computer Engineering and Design， 2022， 43（2）： 553-559.

［13］ Zhao D， Ma H， Yang Z， et al. Finger vein recognition based on lightweight CNN combining center loss and dynamic regularization ［J］. Infrared Physics amp; Technology， 2020， 105（8）： 103221.

［14］ 楊萬里， 段凌鳳， 楊萬能. 基于深度學習的水稻表型特征提取和穗質量預測研究［J］. 華中農業大學學報， 2021， 40（1）： 227-235.

Yang Wanli， Duan Lingfeng， Yang Wanneng， et al. Deep learning-based extraction of rice phenotypic characteristics and prediction of rice panicle weight ［J］. Journal of Huazhong Agricultural University， 2021， 40（1）： 227-235.

［15］ 姜妍， 王琳， 楊月， 等. 無人機高光譜成像技術在作物生長信息監測中的應用［J］. 東北農業大學學報， 2022， 53（3）： 88-96.

Jiang Yan， Wang Lin， Yang Yue， et al. Application of UAV hyperspectral imaging technology in crop growth information monitoring ［J］. Journal of Northeast Agricultural University， 2022， 53（3）： 88-96.

［16］ 張衛正， 李旭光， 萬瀚文， 等. 基于骨架提取和二叉樹分析的玉米植株圖像莖葉分割方法［J］.河南農業科學， 2020， 49（9）： 166-172.

Zhang Weizheng， Li Xuguang， Wan Hanwen， et al. Stem and leaf segmentation of maize plant image based on skeleton extraction and binary tree analysis ［J］. Journal of Henan Agricultural Sciences， 2020， 49（9）： 166-172.

［17］ 王鶴樹， 曹麗英. 基于全卷積神經網絡的植物葉片自動分割及表型解析［J］. 中國農機化學報， 2021， 42（8）： 161-168.

Wang Heshu， Cao Liying. Automatic segmentation and phenotypic analysis of plant leaves based on fully convolutional networks ［J］. Journal of Chinese Agricultural Mechanization， 2021， 42（8）： 161-168.

［18］ 胡玲艷， 許巍， 秦山， 等. 基于分時重疊算法的歐洲甜櫻桃表型關鍵特征區域圖像分割方法［J］. 江蘇農業科學， 2023， 51（1）： 195-202.

Hu Lingyan， Xu Wei， Qin Shan， et al. Image segmentation of key feature regions of European sweet cherry phenotype based on time-sharing overlap algorithm ［J］. Jiangsu Agricultural Sciences， 2023， 51（1）： 195-202.

［19］ 李少辰， 張愛武， 張希珍， 等. 葉片尺度的玉米幼苗三維表型信息提取方法［J］. 激光與光電子學進展， 2023， 60（2）： 61-69.

Li Shaochen， Zhang Aiwu， Zhang Xizhen， et al. 3D phenotypic information extraction method of maize seedlings at leaf scale ［J］. Laser amp; Optoelectronics Progress， 2023， 60（2）： 61-69.