基于改进Mask2Former模型的模式植物叶片识别OA

拟南芥和烟草等模式植物的叶片精细化提取与分割是植物表型分析、高通量生长监测及智能农业管理的基础。然而,传统图像处理方法易受复杂背景、光照变化、叶片重叠及边界模糊等因素影响,而现有深度学习模型在同时捕获全局语义与局部边界细节方面仍存在不足。为解决上述问题,在Mask2Former框架基础上提出一种改进的叶片分割方法,并设计了双路径自适应上下文注意力模块。该模块采用全局路径提取通道级语义特征,以增强对整株结构的理解;同时利用局部路径保留空间细节信息,以提升对叶片边缘及重叠区域的分辨能力。随后,通过自适应门控机制动态调整2类特征的融合权重,实现全局语义与局部细节的协同增强,显著提高模型对叶片区域的特征表征能力。在公开的CVPPP数据集上进行试验评估,其中A1和A3子集分别代表相对独立叶片和叶片重叠更明显的场景。试验结果显示,本研究提出的方法在A1子集上获得92.1%的SBD,在A3子集上取得59.8%的SBD,均明显优于Mask R-CNN等对比模型。此外,本研究的方法在不同叶片数量、不同重叠程度以及不同生长阶段的图像上均表现出更稳定的边界分割效果,特别是在相邻叶片贴近区域的识别上优势更加显著。基于改进Mask2Former的模式植物叶片识别方法能够有效提升复杂背景下的叶片分割精度与边界检测能力,验证了其在拟南芥和烟草叶片精细分割任务中的适用性与鲁棒性。该方法为模式植物的自动化表型分析与智能农业监测提供了可靠技术支撑,并为后续开展多模态植物表型数据融合研究奠定了基础。