基于语义分割深度神经网络的无损叶片面积估算方法研究

为解决传统叶片面积测量方法成本高、操作复杂且具破坏性的问题，研究人员基于DeepLabv3+架构开发了一种新型双解码器深度神经网络，通过单张图像实现叶片与标记物的语义分割及像素面积估算。实验表明，该模型对3374张豆科植物叶片图像的预测精度显著，为植物生长监测及农业生态研究提供了低成本、非破坏性解决方案。

　　

叶片作为植物光合作用的核心器官，其面积（Leaf Area, LA）是评估植物生产力、生态响应及气候变化影响的关键参数。然而，传统测量方法如LI-COR积分仪或毫米纸称重法，不仅设备昂贵，还需破坏叶片结构，无法实现动态监测。随着深度学习（DL）在农业领域的应用拓展，如何利用计算机视觉技术实现无损、高效的LA估算成为研究热点。

针对这一挑战，来自米纳斯吉拉斯州研究基金会（FAPEMIG）资助的研究团队，在《Computers and Electronics in Agriculture》发表了一项创新成果。该研究基于语义分割网络DeepLabv3⁺，构建了包含双解码器的深度神经网络架构：一个解码器负责叶片与标记物的图像分割，另一解码器则直接预测像素的投影面积。通过引入已知尺寸的增强现实标记物作为比例参照，模型克服了三维叶片表面在二维图像中的形变问题。

关键技术方法
研究采用300株豆科植物的3374张叶片图像构建数据集，按70%:30%划分训练集与测试集，并通过旋转和镜像增强数据。模型以DeepLabv3⁺为骨架，新增面积预测分支，利用标记物真实尺寸校准像素面积。训练使用交叉熵损失和均方误差联合优化，最终实现端到端的叶片面积估算。

研究结果

1. Related work：传统方法依赖颜色过滤或阈值分割，需严格控制背景环境；而现有CNN多聚焦于病害识别或物种分类，鲜少涉及面积估算。
2. Proposed method：改进的DeepLabv3⁺通过双解码器同步输出分割掩膜与像素面积，针对近似平面几何的叶片曲面优化预测精度。
3. Experiments：测试集结果显示，模型对叶片和标记物的面积预测误差率分别低于5%和3%，且对光照变化和轻微遮挡具有鲁棒性。

结论与意义
该研究首次将语义分割与像素级面积估算结合，实现了无需离体、单相机拍摄的LA测量。其重要意义在于：

1. 低成本：仅需普通相机和打印标记物，大幅降低设备门槛；
2. 生态友好：避免采摘叶片，支持长期生长监测；
3. 扩展性：架构可适配其他植物叶片，为叶面积指数（LAI）等农业指标计算提供新工具。

作者Karla Gabriele Florentino da Silva等强调，未来工作将探索复杂曲面叶片的适应性优化。这项技术为精准农业和生态学研究开辟了新的数字化路径。