近日，西北农林科技大学杨会君教授团队在叶菜复杂场景的轻量化实例分割研究取得新进展，研究成果以《A lightweight instance segmentation model for multi-growth-stage complex leafy vegetables》为题发表于国际权威刊物《Engineering Applications of Artificial Intelligence》（中科院1区Top）。西北农林科技大学徐珑宁为第一作者，杨会君教授为通讯作者，西北农林科技大学为第一单位，深圳市农业科技促进中心为第二单位。

基于深度学习的实例分割技术能够实现作物个体的精准识别与轮廓提取，为表型参数自动测量提供关键技术支撑。然而，叶菜类作物不同生育阶段尺度和形态变化明显，不同品种之间又具有较高的外观相似性，加之复杂背景、光照变化等因素影响，现有轻量化模型容易出现细粒度特征丢失、类别混淆和边界分割不准确等问题，难以同时兼顾分割精度、计算效率与边缘设备部署需求。

针对上述问题，研究团队提出了一种面向多品种、多生育阶段叶菜复杂场景的轻量化实例分割模型 LVegMask（Lightweight VegetableMask）。研究首先构建了覆盖30个叶菜品种、苗期、生长期、抽薹期和开花期等多个生育阶段的LVS数据集，共采集30,900幅多视角复杂背景图像，为叶菜全生育期智能识别与分割研究提供数据基础。在模型设计方面，团队构建融合坐标注意力机制的轻量化骨干网络MobileCANet，增强对叶片细微纹理和位置信息的感知能力；设计EPA-FPN加强不同尺度特征之间的信息融合；进一步引入PatchDCT模块和Boundary Loss，从频域特征与边界约束两个方面提升不规则叶片轮廓的分割精度。最终，LVegMask在LVS数据集上取得92.9%的mAP，参数量为34.1M、计算量为91.8 GFLOPs，推理速度达到35.6 FPS，在保持较高分割精度的同时实现了较好的轻量化与实时性。

该研究实现了叶菜实例分割任务中精度、效率与边缘部署能力之间的有效平衡，为复杂农业场景下作物全生育期自动识别和精细化表型获取提供了新的技术方案。与高计算量模型相比，LVegMask在大幅降低计算开销的同时保持了具有竞争力的分割精度，并进一步在Orange Pi嵌入式平台上验证了模型的边缘部署可行性。相关成果可为后续叶面积、株高等表型参数自动提取以及农业巡检、智能育种和田间智能装备研发提供基础技术支撑，对推动计算机视觉技术由实验室算法研究向资源受限农业生产环境中的实际应用具有积极意义。