The growth and the harvestability of a broccoli crop is monitored by the size of the broccoli head. This size estimation is currently done by humans, and this is inconsistent and expensive. The goal of our work was to develop a software algorithm that can estimate the size of field-grown broccoli heads based on RGB-Depth (RGB-D) images. For the algorithm to be successful, the problem of occlusion must be solved, which is the partial visibility of the broccoli head due to overlapping leaves. This partial visibility causes sizing errors. In this research, we studied the use of deep-learning algorithms to deal with occlusions. We specifically applied the Occlusion Region-based Convolutional Neural Network (ORCNN) that segmented both the visible and the amodal region of the broccoli head (which is the visible and the occluded region combined). We hypothesised that ORCNN, with its amodal segmentation, can improve the size estimation of occluded broccoli heads. The ORCNN sizing method was compared with a Mask R–CNN sizing method that only used the visible broccoli region to estimate the size. The sizing performance of both methods was evaluated on a test set of 487 broccoli images with systematic levels of leaf occlusion. With a mean sizing error of 6.4 mm, ORCNN outperformed Mask R–CNN, which had a mean sizing error of 10.7 mm. Furthermore, ORCNN had a significantly lower absolute sizing error on 161 heavily occluded broccoli heads with an occlusion rate between 50% and 90%. Our software and data set are available on https://git.wur.nl/blok012/sizecnn.

西兰花作物的生长和可收获性由西兰花头部的大小监控。这种尺寸估计目前由人类完成，这是不一致且昂贵的。我们工作的目标是开发一种软​​件算法，该算法可以根据 RGB 深度 (RGB-D) 图像估计田间种植的西兰花头的大小。为了使算法成功，必须解决遮挡问题，即由于叶子重叠导致西兰花头部的部分可见性。这种部分可见性会导致尺寸错误。在这项研究中，我们研究了使用深度学习算法来处理遮挡。我们专门应用了基于遮挡区域的卷积神经网络 (ORCNN)，该网络对西兰花头部的可见区域和非模态区域（即可见区域和遮挡区域的组合）进行了分割。我们假设 ORCNN 及其非模态分割可以改善被遮挡的西兰花头部的大小估计。ORCNN 大小方法与仅使用可见的西兰花区域来估计大小的 Mask R-CNN 大小方法进行了比较。在 487 张西兰花图像的测试集上评估了这两种方法的尺寸性能，这些图像具有系统的叶子遮挡水平。ORCNN 的平均尺寸误差为 6.4 mm，优于平均尺寸误差为 10.7 mm 的 Mask R-CNN。此外，ORCNN 在 161 个严重遮挡的西兰花头上的绝对尺寸误差显着降低，遮挡率在 50% 到 90% 之间。我们的软件和数据集可在 https://git.wur.nl/blok012/sizecnn 上找到。ORCNN 大小方法与仅使用可见的西兰花区域来估计大小的 Mask R-CNN 大小方法进行了比较。在 487 张西兰花图像的测试集上评估了这两种方法的尺寸性能，这些图像具有系统的叶子遮挡水平。ORCNN 的平均尺寸误差为 6.4 mm，优于平均尺寸误差为 10.7 mm 的 Mask R-CNN。此外，ORCNN 在 161 个严重遮挡的西兰花头上的绝对尺寸误差显着降低，遮挡率在 50% 到 90% 之间。我们的软件和数据集可在 https://git.wur.nl/blok012/sizecnn 上找到。ORCNN 大小方法与仅使用可见的西兰花区域来估计大小的 Mask R-CNN 大小方法进行了比较。在 487 张西兰花图像的测试集上评估了这两种方法的尺寸性能，这些图像具有系统的叶子遮挡水平。ORCNN 的平均尺寸误差为 6.4 mm，优于平均尺寸误差为 10.7 mm 的 Mask R-CNN。此外，ORCNN 在 161 个严重遮挡的西兰花头上的绝对尺寸误差显着降低，遮挡率在 50% 到 90% 之间。我们的软件和数据集可在 https://git.wur.nl/blok012/sizecnn 上找到。ORCNN 的平均尺寸误差为 6.4 mm，优于平均尺寸误差为 10.7 mm 的 Mask R-CNN。此外，ORCNN 在 161 个严重遮挡的西兰花头上的绝对尺寸误差显着降低，遮挡率在 50% 到 90% 之间。我们的软件和数据集可在 https://git.wur.nl/blok012/sizecnn 上获得。ORCNN 的平均尺寸误差为 6.4 mm，优于平均尺寸误差为 10.7 mm 的 Mask R-CNN。此外，ORCNN 在 161 个严重遮挡的西兰花头上的绝对尺寸误差显着降低，遮挡率在 50% 到 90% 之间。我们的软件和数据集可在 https://git.wur.nl/blok012/sizecnn 上找到。