[发明专利]一种基于双层卷积网络和掩码细化的植物叶片精细分割方法

权利要求书

1.一种基于双层卷积网络和掩码细化的植物叶片精细分割方法，其特征在于，包括以下步骤：

1)自底向上的路径增强网络，将浅层的特征信息传递到更深层的特征中，生成更高质量的特征图；

2)基于Mask R-CNN的双层卷积网络，用于解耦遮挡叶片和被遮挡叶片；

3)掩码细化模块，通过点选择策略和多层感知机细化叶片边缘。

2.根据权利要求1所述的基于自然环境中自动化分割叶片的方法，其特征在于，所述步骤1)具体包括：采用Faster R-CNN目标检测器检测生成叶片的边界框，然后使用掩码分支预测每一个检测框内的前景掩码，基于ResNet的FPN网络，在FPN网络之后添加了一个自底向上的路径增强，所述路径增强从最底层的P2开始，对P2到P5逐渐下采样得到{N₂，N₃，N₄，N₅}，其中N₂和P₂为同一特征图。在这个过程中，特征传递的层数不超过10层。

3.根据权利要求1所述的基于自然环境中自动化分割叶片的方法，其特征在于，所述步骤2)具体包括：通过双层卷积网络建模了遮挡实例和被遮挡实例，显示地解耦了遮挡实例和被遮挡实例的边界：对于ROI Align后的感兴趣区域，其中一条遮挡感知分支检测遮挡轮廓和掩码，对遮挡区域进行显示建模，提取遮挡物的形状和位置信息，通过残差结构指导另一条遮挡感知分支对遮挡区域进行轮廓和掩码检测，其中每一条遮挡感知分支由四个3×3，stride为1的卷积层组成。

4.根据权利要求1所述的基于自然环境中自动化分割叶片的方法，其特征在于，所述步骤3)引入了一个边缘细化模块，所述边缘细化模块首先对不确定的像素点迭代上采样，再预测像素点的类别，所述边缘细化模块包括：点采样，逐点表示和点头三个部分。

5.根据权利要求4所述的基于自然环境中自动化分割叶片的方法，其特征在于，所述步骤3)具体包括：

3-1)点采样训练时，采用一种非迭代随机采样的方式来训练模型，点的选取使用过采样率及重要性，推断时，使用迭代上采样的方式由粗到细分类像素点，在每一次迭代中，首先使用双线性插值对之前预测的掩码进行上采样，然后在分辨率更高的图像上选择最N个不确定的点，点的选取策略同训练时相同，再计算像素点的逐点表示并预测它们类别，反复上述操作五次，便可得到一组包含叶片边缘细节的高分辨率特征图，分别为56×56，112×112，224×224，448×448和896×896；

3-2)逐点表示中，边缘细化模块通过结合细粒度特征和粗粒度特征构成的点特征向量对不确定的像素点进行判断分类，其中的细粒度特征来自自底向上路径增强中的N2特征图，该特征图中包含了丰富的细节信息，而粗粒度特征来自双层遮挡模块预测的被遮挡物的掩码，提供额外的位置信息；

3-3)点头中边缘细化模块使用一个简单的多层感知机进行逐点预测分类，所述多层感知机为一个全局共享的多层感知机。