基于Macbm-RCNN的葉片周長和面積測量方法

榮民希， 班 彬， 王智崢， 郭曉麗， 張衛(wèi)正

(1.鄭州輕工業(yè)大學(xué)數(shù)學(xué)與信息科學(xué)學(xué)院，河南鄭州 450002； 2.鄭州輕工業(yè)大學(xué)計(jì)算機(jī)與通信工程，河南鄭州 450002)

光合作用、呼吸作用和蒸騰作用是影響植物生長的重要因素，這些都發(fā)生在植物的葉片中。由此可見，植物葉片對(duì)植物生長發(fā)育有著十分重要的作用，而測量植物葉片周長面積對(duì)評(píng)估植物的生長發(fā)育情況、作物產(chǎn)量以及殺蟲除害等方面都有著十分重要的意義。因此，建立一個(gè)快速、便捷、精確的植物葉片周長和面積測量方法對(duì)于研究植物各種生命活動(dòng)有著重要意義。

測量植物葉片周長面積的方法主要分為3類：(1)葉面積儀測量法。這個(gè)方法雖然可以較為精準(zhǔn)地測量葉片周長和面積，但因?yàn)槠湫实?、價(jià)格昂貴、后期維護(hù)麻煩等原因不能大規(guī)模使用。(2)傳統(tǒng)處理法。例如坐標(biāo)紙法、方格法等，雖然相對(duì)于第一種方法價(jià)格上有一定的優(yōu)勢，但因?yàn)闇y量起來操作繁瑣，得到的數(shù)據(jù)也不夠精確，所以也無法大規(guī)模使用。(3)Matlab軟件計(jì)算。這個(gè)方法雖然速度、準(zhǔn)確率較傳統(tǒng)方法有所提升，但是計(jì)算過程復(fù)雜，對(duì)于背景情況復(fù)雜的圖片無法精確計(jì)算出圖片中葉片的周長或面積，且速度與準(zhǔn)確率仍達(dá)不到實(shí)際應(yīng)用的標(biāo)準(zhǔn)。

以上3種方法只能對(duì)簡單情況下的葉片進(jìn)行處理，這導(dǎo)致無法在實(shí)際農(nóng)業(yè)生產(chǎn)上大規(guī)模使用。針對(duì)這些問題，本研究中提出一種基于Macbm RCNN的葉片周長面積測量方法，該方法目的在于提高處理復(fù)雜背景下圖像的運(yùn)算效率并且保證計(jì)算準(zhǔn)確率。通過引入注意力機(jī)制，改變特征權(quán)重，提高葉片信息的識(shí)別效率，達(dá)到了識(shí)別復(fù)雜背景下葉片信息的要求。經(jīng)驗(yàn)證，本研究提出的Macbm RCNN網(wǎng)絡(luò)模型，能夠有效提高復(fù)雜情況下的訓(xùn)練速度與準(zhǔn)確率，在實(shí)際農(nóng)業(yè)生產(chǎn)中能起到有效作用。

1 材料與方法

1.1 圖像采集與預(yù)處理

1.1.1 圖像采集 本試驗(yàn)使用小米10手機(jī)作為圖像采集設(shè)備對(duì)葉片進(jìn)行拍攝。在圖片拍攝時(shí)，將植物葉片盡量平鋪，拍攝時(shí)將拍照設(shè)備與背景板垂直安放，減少誤差。并且在光照條件充足且均勻的條件下拍攝，如果光照不足或不均勻會(huì)在后期處理中出現(xiàn)陰影，對(duì)后期的計(jì)算產(chǎn)生誤差。參照物選取方面選擇日常生活中常見的5角硬幣。為避免參照物因素的影響，在中途不會(huì)更換硬幣。選擇白色紙張作為綠色植物葉片背景，白綠色差能夠有效地區(qū)分葉片，提高葉片辨識(shí)度，方便后期對(duì)數(shù)據(jù)集的處理。

1.1.2 圖像壓縮 在進(jìn)行數(shù)據(jù)集訓(xùn)練前需要對(duì)圖像進(jìn)行壓縮處理，因?yàn)椴杉玫降母呦袼貓D像會(huì)調(diào)用大量系統(tǒng)資源，這會(huì)嚴(yán)重影響網(wǎng)絡(luò)的訓(xùn)練速度。為解決這個(gè)問題，需要在不影響畫質(zhì)的情況下先對(duì)獲得的圖片進(jìn)行壓縮。經(jīng)過多次測試，這里選取512×512像素作為最終選擇。

1.2 Mask RCNN網(wǎng)絡(luò)模型

Mask RCNN網(wǎng)絡(luò)是由何凱明團(tuán)隊(duì)提出的一種實(shí)例分割算法，作用于目標(biāo)檢測、目標(biāo)實(shí)例分割、目標(biāo)關(guān)鍵點(diǎn)檢測等。使用卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練后對(duì)目標(biāo)物體進(jìn)行預(yù)測。它是在Faster RCNN的基礎(chǔ)上提出的，Mask RCNN網(wǎng)絡(luò)在原本的2個(gè)分支上又添加了進(jìn)行實(shí)例分割分支。此外Mask RCNN還通過引入特征金字塔(FPN)結(jié)構(gòu)對(duì)主干網(wǎng)絡(luò)進(jìn)行擴(kuò)充。

1.3 Macbm RCNN網(wǎng)絡(luò)

1.3.1 Macbm RCNN模型 原有的ResNet101主干網(wǎng)絡(luò)已經(jīng)不能滿足需求。為提高在復(fù)雜情況下的訓(xùn)練速度以及葉片識(shí)別的準(zhǔn)確率，在原框架基礎(chǔ)上提出Macbm RCNN模型。由圖1可知，Macbm RCNN模型是在Mask RCNN模型的基礎(chǔ)上融合了注意力機(jī)制后改良而成的，能夠精準(zhǔn)有效地識(shí)別復(fù)雜情況下的葉片信息，提高效率。其主干網(wǎng)絡(luò)主要由Acbm Net和FPN組成，對(duì)輸入進(jìn)來的圖片通過主干網(wǎng)絡(luò)進(jìn)行提取出特征圖。然后將生成的特征圖傳入建議框得到興趣區(qū)域。通過ROI Align結(jié)構(gòu)使用雙線性插值法將ROI準(zhǔn)確映射到特征圖上并提取出相應(yīng)的目標(biāo)特征塊。特征塊分別輸入到全連接層FC和全卷積網(wǎng)絡(luò)FCN完成目標(biāo)分類回歸和實(shí)例分割任務(wù)。

輸出網(wǎng)絡(luò)預(yù)測的結(jié)果，選取要進(jìn)行計(jì)算的葉片，并進(jìn)行灰度降噪處理，使用公式計(jì)算得出葉片周長。而面積的計(jì)算則需要通過進(jìn)一步的填充處理，將填充的結(jié)果輸入面積公式便可以計(jì)算出葉片面積。

1.3.2 損失函數(shù) Macbm RCNN的損失函數(shù)(式1)主要由邊界框的位置回歸損失、分類損失和掩膜損失部分的和構(gòu)成。、、分別由式(2)(3)(4)等3部分公式計(jì)算得出。其中式(2)中為錨點(diǎn)前景的預(yù)測概率，為真實(shí)的概率。式(3)中=(，，，)，=(，，，)。式(4)中為掩碼預(yù)測的概率，為真實(shí)的概率。

=++；

(1)

(，)=-lg[+(1-)(1-)]；

(2)

(，)=(-)；

(3)

(，)=-[lg()+(1-)lg(1-)]。

(4)

1.3.3 評(píng)估指標(biāo) 本研究使用平均精度均值()作為評(píng)估訓(xùn)練精度的指標(biāo)。平均精度均值即各個(gè)類別的平均精度，是指準(zhǔn)確率(Precision)(式5)-召回率(Recall)(式6)曲線的線下面積，是預(yù)測目標(biāo)位置及類別算法的性能度量標(biāo)準(zhǔn)，而值越高，說明準(zhǔn)確率越高，這個(gè)模型越好。

(5)

(6)

(7)

其中，是指爭取預(yù)測中實(shí)際正確的數(shù)量占所有正確的數(shù)量比例；是指預(yù)測中實(shí)際正確的數(shù)量占預(yù)測數(shù)量的比例。是被正確劃分為正確例子的數(shù)量；是被錯(cuò)誤劃分為正確例子的個(gè)數(shù)；是被錯(cuò)誤劃分為錯(cuò)誤的個(gè)數(shù)。

在引入平均精確度均值的同時(shí)，又引入了孟欣欣等提出的分割精度()(式8)，以達(dá)到更加精確評(píng)估的目的。其中，表示途中目標(biāo)的像素?cái)?shù)量，表示算法分割得到的圖像的像素?cái)?shù)量。

(8)

1.3.4 Acb網(wǎng)絡(luò)改進(jìn) Mask RCNN網(wǎng)絡(luò)在處理復(fù)雜葉片時(shí)，會(huì)出現(xiàn)訓(xùn)練速度慢、準(zhǔn)確率低等問題。在解決實(shí)際問題時(shí)會(huì)使得成本大幅提升。為達(dá)到預(yù)期效果，提高準(zhǔn)確率，提出了Acb Block網(wǎng)絡(luò)結(jié)構(gòu)(圖2)。

Acb Block網(wǎng)絡(luò)是一種在Identity Block網(wǎng)絡(luò)的基礎(chǔ)上融合了注意力機(jī)制的全新網(wǎng)絡(luò)結(jié)構(gòu)。Acb Block網(wǎng)絡(luò)中的注意力機(jī)制是一種混合的注意力機(jī)制，由空間注意力和通道注意力構(gòu)成。其中空間注意力計(jì)算模型應(yīng)該注意特征圖的位置，而通道注意力計(jì)算模型應(yīng)該注意特征。通過兩者相結(jié)合，從而達(dá)到改變特征的權(quán)重，提高模型訓(xùn)練的速度與準(zhǔn)確率的目的。注意力機(jī)制可以有效地幫助我們?cè)趶?fù)雜情況下識(shí)別葉片的信息，降低對(duì)圖片背景的要求，使網(wǎng)絡(luò)能夠有效地使用在實(shí)際場景中。

Acb Block網(wǎng)絡(luò)的結(jié)構(gòu)所示，在Acb Block網(wǎng)絡(luò)中使用的是瓶頸結(jié)構(gòu)，首先通過1次1×1的卷積對(duì)通道數(shù)進(jìn)行壓縮。之后通過1次3×3的深度可分離卷積對(duì)圖片進(jìn)行特征提取。在此處插入了注意力機(jī)制。輸出特征提取后的結(jié)果，通過注意力機(jī)制輸出每個(gè)特征通道的概率。之后便將得到的概率與3×3的深度可分離卷積后的結(jié)果相乘。通過注意力機(jī)制來對(duì)通道權(quán)重進(jìn)行調(diào)整操作，改變每一個(gè)特征通道所占的權(quán)重。注意力機(jī)制可以有效提高識(shí)別圖片的效率與準(zhǔn)確率。最后再通過1次1×1的卷積進(jìn)行通道數(shù)的返回。這種瓶頸結(jié)構(gòu)的使用可以有效提升檢測效果，提高網(wǎng)絡(luò)的深度。通過這種注意力與瓶頸結(jié)構(gòu)相結(jié)合的方式來改變特征權(quán)重，以此來達(dá)到更精準(zhǔn)識(shí)別葉片信息、高效準(zhǔn)確標(biāo)記圖片的目的。

為防止因?yàn)榫W(wǎng)絡(luò)加深導(dǎo)致梯度消失爆炸以及退化問題，同時(shí)也為了提高網(wǎng)絡(luò)的性能，在Acb Block網(wǎng)絡(luò)中加入了殘差結(jié)構(gòu)。將剛剛計(jì)算的結(jié)果與殘差邊所得到的結(jié)果相加，使網(wǎng)絡(luò)結(jié)構(gòu)更加穩(wěn)定。

Acb Block網(wǎng)絡(luò)通過注意力機(jī)制，提高了網(wǎng)絡(luò)的識(shí)別效率，可以在復(fù)雜背景的圖片中準(zhǔn)確識(shí)別出圖中的葉片信息，這一改進(jìn)使我們的網(wǎng)絡(luò)能夠在不對(duì)葉片進(jìn)行采摘的情況下計(jì)算葉片的周長和面積，在農(nóng)業(yè)生產(chǎn)方面有著重要的作用。

1.3.5 AcbmNet網(wǎng)絡(luò)結(jié)構(gòu) AcbmNet主干網(wǎng)絡(luò)是本研究提出的一種融合Acb Block網(wǎng)絡(luò)的全新的網(wǎng)絡(luò)結(jié)構(gòu)。由圖3可知，圖片輸入網(wǎng)絡(luò)后，首先對(duì)圖片進(jìn)行了步長為2的卷積，以此來壓縮圖片的長和寬。之后對(duì)圖片進(jìn)行標(biāo)準(zhǔn)化和激活處理，對(duì)處理后的結(jié)果再進(jìn)行1次最大池化將圖片壓縮。然后通過Conv Block網(wǎng)絡(luò)，在此保持圖片長寬不變，只調(diào)整通道數(shù)。對(duì)調(diào)整后的圖片再經(jīng)過2次Acb Block網(wǎng)絡(luò)。

得到Acb Block網(wǎng)絡(luò)處理結(jié)果C2，之后再次進(jìn)行1次步長為2的Conv Block網(wǎng)絡(luò)的壓縮處理，并且將結(jié)果通過Acb Block網(wǎng)絡(luò)進(jìn)行處理。同樣提取出結(jié)果C3。然后再次經(jīng)過1次Conv Block網(wǎng)絡(luò)進(jìn)行壓縮，并且通過多次Acb Block網(wǎng)絡(luò)進(jìn)行處理，同時(shí)提取出結(jié)果C4。最后提取出經(jīng)過Conv Block網(wǎng)絡(luò)壓縮和Acb Block網(wǎng)絡(luò)處理的結(jié)果C5。

利用主干網(wǎng)絡(luò)中提取出的長寬壓縮2次、3次、4次、5次的結(jié)果分別為C2、C3、C4、C5，通過特征提取器(圖4)便可得到最終的有效特征層P2、P3、P4、P5。首先對(duì)C5進(jìn)行2個(gè)卷積處理，得到有效特征層P5。然后取出C5第1次卷積處理的結(jié)果對(duì)其進(jìn)行上采樣，將其與C4進(jìn)行1次卷積處理的結(jié)果相加并進(jìn)行1次卷積處理，就可以得到有效特征層P4。將C4第1次卷積與C5第1次卷積上采樣相加得到的結(jié)果進(jìn)行1次上采樣，使其與C3的1次卷積的結(jié)果相加，并進(jìn)行1次卷積即可得到有效特征層P3。同理，便可得到有效特征層P2。P2、P3、P4、P5便是通過特征提取器提取出的有效特征層。

1.4 葉片周長面積計(jì)算

1.4.1 灰度處理 選取圖片中要計(jì)算的葉片進(jìn)行灰度處理。因?yàn)閳D像采集設(shè)備所得到的圖像是彩色的，彩色圖片中葉片的脈絡(luò)會(huì)對(duì)圖片的計(jì)算產(chǎn)生干擾。采用加權(quán)平均法(公式9)來進(jìn)行灰度處理，紅(R)、綠(G)、藍(lán)(B)3個(gè)通道分量的加權(quán)系數(shù)分別為0.33、0.57、0.12。采取這種方法進(jìn)行灰度處理的時(shí)候，不會(huì)使圖片出現(xiàn)失真現(xiàn)象。

(，)=033(，)+057(，)+012(，)。

(9)

式(9)中(，)是葉片圖像在(，)處的灰度值，(，)、(，)、(，)分別為葉片圖像在(，)處的紅綠藍(lán)3色分量。

1.4.2 降噪處理 對(duì)灰度處理結(jié)束的圖片直接進(jìn)行計(jì)算會(huì)出現(xiàn)計(jì)算的葉片和硬幣周長和面積遠(yuǎn)遠(yuǎn)超出實(shí)際情況，這是由于圖片中噪聲太多，干擾計(jì)算。所以需要進(jìn)行降噪處理，突出圖像的邊界，以便于其后對(duì)圖像中葉片周長面積進(jìn)行計(jì)算。

1.4.3 周長計(jì)算 使用降噪處理后的圖片對(duì)葉片的像素點(diǎn)進(jìn)行計(jì)算，便可得到葉片在圖片上的相對(duì)周長。同理計(jì)算出硬幣在圖上的相對(duì)周長。最后根據(jù)公式(10)得到葉片的實(shí)際周長。

=×6437÷。

(10)

1.4.4 面積計(jì)算 使用降噪處理后的圖片進(jìn)行填充操作，這樣可以方便計(jì)算葉片所占的像素點(diǎn)個(gè)數(shù)，提高計(jì)算的準(zhǔn)確率。通過計(jì)算得到葉片在圖像中的相對(duì)面積，硬幣面積，令葉片的真實(shí)面積為，根據(jù)式(11)求出葉片的真實(shí)面積。

=×32989÷。

(11)

2 測量結(jié)果與分析

2.1 試驗(yàn)裝置及環(huán)境

試驗(yàn)硬件處理平臺(tái)：CPU：Intel Core i7-11700；內(nèi)存：DDR4，32 GB；顯卡：華碩3080TI，12 G顯存；固態(tài)硬盤：500 G。使用tensorflow1.15+keras框架，同時(shí)采用CUDA11.5進(jìn)行加速。同時(shí)為了提高網(wǎng)絡(luò)迭代的速度，采用遷移學(xué)習(xí)進(jìn)行輔助訓(xùn)練，本研究采用COCO數(shù)據(jù)集在Mask RCNN上的預(yù)訓(xùn)練初始模型。對(duì)其進(jìn)行優(yōu)化關(guān)鍵參數(shù)，調(diào)整頭部參數(shù)的處理，以達(dá)到更精確識(shí)別的目的。之后利用Numpy、OpenCV等庫實(shí)現(xiàn)周長面積的計(jì)算。

試驗(yàn)葉片數(shù)據(jù)于2021年采集于鄭州輕工業(yè)大學(xué)校園及鄭州市植物園，葉面儀(型號(hào)：WDY-500A)及方格法測量于2021年在鄭州輕工業(yè)大學(xué)食品與生物工程學(xué)院煙草行業(yè)煙草工業(yè)生物技術(shù)重點(diǎn)實(shí)驗(yàn)室由相關(guān)專家指導(dǎo)完成，基于Macbm-RCNN模型測量于2021年在鄭州輕工業(yè)大學(xué)數(shù)學(xué)與信息科學(xué)學(xué)院人工智能實(shí)驗(yàn)室完成。

2.2 規(guī)則圖形周長面積測量

為更進(jìn)一步驗(yàn)證準(zhǔn)確性，選擇已知面積的長方形、正方形、三角形。使用同一5角硬幣作為參照物，在同一背景下進(jìn)行測量。為確保數(shù)據(jù)準(zhǔn)確，將同一物體重復(fù)5次進(jìn)行測試。

測量的結(jié)果如表1、表2所示。通過試驗(yàn)取得的數(shù)據(jù)來對(duì)本研究中葉片周長面積計(jì)算方法誤差率進(jìn)行驗(yàn)證，經(jīng)驗(yàn)證表明誤差均小于1.5%，達(dá)到預(yù)期效果。

表1 規(guī)則圖像周長測量

表2 規(guī)則圖像面積測量

2.3 葉片測試結(jié)果分析與對(duì)比

2.3.1 葉片預(yù)測結(jié)果以及面積計(jì)算 在保證數(shù)據(jù)集準(zhǔn)確的情況下，通過Macbm RCNN網(wǎng)絡(luò)訓(xùn)練完成后，選取任意背景下的葉片(圖5)與參照物的圖片進(jìn)行預(yù)測，結(jié)果如圖6所示?？梢钥吹皆谌我獗尘跋?，只要保證硬幣與葉片處于同一水平面，就可有效地識(shí)別出葉片信息。利用Macbm RCNN網(wǎng)絡(luò)預(yù)測的準(zhǔn)確率與葉片標(biāo)記情況都能達(dá)到預(yù)期效果。

2.3.2 周長計(jì)算 隨機(jī)選取1幅圖片進(jìn)行計(jì)算。首先選取需要計(jì)算的葉片，對(duì)選中的葉片與硬幣進(jìn)行灰度和降噪處理，得到葉片與硬幣的輪廓圖如圖7-a所示。經(jīng)計(jì)算可得葉片的相對(duì)周長、硬幣周長。根據(jù)式(10)便可以得到葉片的實(shí)際周長=251.46 mm(圖8)，通過計(jì)算得到葉片的實(shí)際周長為253.12 mm，誤差為0.65%，小于1.5%，符合預(yù)期效果。

2.3.3 面積計(jì)算 對(duì)降噪處理后的圖片進(jìn)行填充處理，填充圖如圖7-b、圖7-c所示。經(jīng)計(jì)算得到硬幣和葉片的相對(duì)面積和，經(jīng)過公式(11)計(jì)算得知葉片面積=2 316.36 mm(圖8)，計(jì)算得到葉片的實(shí)際面積為2 337.76 mm，誤差為0.915%，小于1.5%，在誤差范圍要求之內(nèi)。

2.3.4 葉片周長面積不同測量方法對(duì)比 為驗(yàn)證葉片周長和面積計(jì)算方法的準(zhǔn)確性，隨機(jī)選取10張葉片圖片，通過方格法、葉面儀測量法、Macbm RCNN網(wǎng)絡(luò)模型等3種方法進(jìn)行計(jì)算。由表3可知，Macbm RCNN相對(duì)于葉面儀精確度相差不大。同樣，對(duì)計(jì)算所花費(fèi)時(shí)間進(jìn)行統(tǒng)計(jì)。由表4可知，Macbm RCNN所花費(fèi)的時(shí)間最短。由表3、表4可知，Macbm RCNN模型能夠在提高效率的同時(shí)保證準(zhǔn)確率。

表3 葉片周長與面積測量

表4 周長面積平均計(jì)算時(shí)間

2.3.5 結(jié)果分析及比較 為驗(yàn)證本研究中提出的Macbm RCNN改進(jìn)網(wǎng)絡(luò)模型的優(yōu)化作用，選取Mask RCNN(ResNet101)、Mask RCNN(ResNet50)與本研究的Macbm RCNN網(wǎng)絡(luò)在ResNet50和ResNet101基礎(chǔ)上的改進(jìn)進(jìn)行比較。對(duì)4個(gè)模型使用相同的數(shù)據(jù)集進(jìn)行訓(xùn)練，將每個(gè)模型的訓(xùn)練結(jié)果進(jìn)行比較。由表5可知，相比于Mask RCNN網(wǎng)絡(luò)，Macbm RCNN網(wǎng)絡(luò)結(jié)構(gòu)在引入注意力機(jī)制后，在平均精度方面分別提升1.8%、1.5%。加入了注意力機(jī)制的Macbm RCNN網(wǎng)絡(luò)雖然在平均訓(xùn)練時(shí)間和平均推理時(shí)間方面沒有太大提升。但是在復(fù)雜圖像處理中，訓(xùn)練時(shí)間分別降低0.025、0.017 s，平均推理時(shí)間分別降低0.02、0.016 s。這說明提出的Macbm RCNN模型與Mask RCNN相比在處理復(fù)雜圖片時(shí)有明顯提升，Macbm RCNN網(wǎng)絡(luò)較Mask RCNN網(wǎng)絡(luò)有更快的速度和更高的準(zhǔn)確率。由此可以總結(jié)出通過注意力機(jī)制，Macbm RCNN網(wǎng)絡(luò)能夠更有效地處理復(fù)雜圖片。

表5 結(jié)果比較

同樣，把Macbm RCNN 與Mask RCNN的錯(cuò)誤率與準(zhǔn)確率整理成圖(圖9)。由圖9可知，Macbm RCNN網(wǎng)絡(luò)的錯(cuò)誤率下降速度快于Mask RCNN，穩(wěn)定時(shí)間也明顯早于Mask RCNN。準(zhǔn)確率的提升也明顯好于Mask RCNN。這充分說明了加入注意力機(jī)制的Macbm RCNN模型的效果要好于Mask RCNN。

通過利用注意力機(jī)制改變特征的權(quán)重，能夠有效提高計(jì)算的效率和計(jì)算的準(zhǔn)確率。由此可以進(jìn)一步肯定，本研究提出的Macbm RCNN網(wǎng)絡(luò)相比Mask RCNN更適合復(fù)雜情況下計(jì)算葉片的周長和面積問題。

4 結(jié)論與討論

本研究提出的Macbm RCNN模型與原始的Mask RCNN模型相比，能夠有效地提高訓(xùn)練的速度與準(zhǔn)確率。在面對(duì)復(fù)雜葉片圖片時(shí)，通過注意力機(jī)制，對(duì)圖片的特征權(quán)重進(jìn)行調(diào)整，挑選出重要的特征重點(diǎn)關(guān)注，提高圖片的處理效率。在后期的訓(xùn)練以及預(yù)測中，能夠更快地降低訓(xùn)練的錯(cuò)誤率，更好地提高訓(xùn)練的準(zhǔn)確率，相比Mask RCNN能夠更早地達(dá)到穩(wěn)定。

與其他計(jì)算方式相比，Macbm RCNN模型對(duì)拍攝圖片的背景要求低，在實(shí)際應(yīng)用中有更廣泛的應(yīng)用環(huán)境，能夠在復(fù)雜情況下對(duì)葉片進(jìn)行準(zhǔn)確的標(biāo)記，準(zhǔn)確計(jì)算出葉片的周長和面積，且誤差小于1.5%。

在實(shí)際農(nóng)業(yè)應(yīng)用中，會(huì)出現(xiàn)更加復(fù)雜的情況。經(jīng)試驗(yàn)證明，相對(duì)于原始的Mask RCNN模型，Macbm RCNN模型能夠更準(zhǔn)確更高效地完成葉片周長和面積的計(jì)算任務(wù)，面對(duì)復(fù)雜圖片具有更好的處理效果。因此在實(shí)際問題中，本研究提出的基于Macbm RCNN模型的算法更能滿足需求，更加適合應(yīng)用在實(shí)際的葉片周長和面積計(jì)算問題中。出于后期提高模型適用性和便捷性的要求，考慮使用手機(jī)采集葉片圖片上傳，用遠(yuǎn)程鏈接或遠(yuǎn)程服務(wù)器的形式處理圖片進(jìn)行識(shí)別與計(jì)算，最后以app或者微信小程序的方式輸出處理結(jié)果。