Recent advancements in the area of computer vision-based plant phenotyping are playing an important role, in determining the quantitative phenotypes of plants, and crop yield. Automatic segmentation of plants and its associated structures is the first and most important step in image based plant phenotyping. We design and implement convolutional neural network (CNN) based modified residual U-Net for semantic segmentation of plants from the background. We also use SegNet and U-Net architectures for comparison purpose. In this paper, residual U-Net, SegNet and U-Net models are tested on leaf segmentation challenge (LSC) dataset and fig dataset that are publicly available. LSC dataset consists of images of Arabidopsis and tobacco plants grown under controlled conditions whereas fig dataset includes top view images of fig plants captured in open-field conditions. We have used 8 evaluation metrics for analyzing and comparing the performance of residual U-Net, SegNet and U-Net architectures with the existing algorithms in the literature. Residual U-Net with 15.32 million trainable parameters, outperforms SegNet and other state-of-the-art methods whereas achieves comparable performance with respect to U-Net. Residual U-Net achieves dice coefficient of 0.9709 on LSC dataset and 0.9665 on fig dataset, respectively. The segmentation networks used in this paper can be used for other plant related applications such as plant trait estimation or in quantification of plant stress.

基于计算机视觉的植物表型领域的最新进展在确定植物的定量表型和作物产量方面发挥着重要作用。植物及其相关结构的自动分割是基于图像的植物表型分析的第一步，也是最重要的一步。我们设计并实现了基于卷积神经网络 (CNN) 的改进残差 U-Net，用于从背景中对植物进行语义分割。我们还使用 SegNet 和 U-Net 架构进行比较。在本文中，残差 U-Net、SegNet 和 U-Net 模型在公开可用的叶分割挑战 (LSC) 数据集和 fig 数据集上进行了测试。LSC 数据集包括在受控条件下生长的拟南芥和烟草植物的图像，而无花果数据集包括在露天条件下捕获的无花果植物的顶视图图像。我们使用了 8 个评估指标来分析和比较剩余 U-Net、SegNet 和 U-Net 架构与文献中现有算法的性能。具有 1532 万个可训练参数的残差 U-Net，优于 SegNet 和其他最先进的方法，同时实现了与 U-Net 相当的性能。Residual U-Net 在 LSC 数据集上的骰子系数分别为 0.9709 和 fig 数据集上的 0.9665。本文中使用的分割网络可用于其他与植物相关的应用，例如植物性状估计或植物胁迫的量化。我们使用了 8 个评估指标来分析和比较剩余 U-Net、SegNet 和 U-Net 架构与文献中现有算法的性能。具有 1532 万个可训练参数的残差 U-Net，优于 SegNet 和其他最先进的方法，同时实现了与 U-Net 相当的性能。Residual U-Net 在 LSC 数据集上的骰子系数分别为 0.9709 和 fig 数据集上的 0.9665。本文中使用的分割网络可用于其他与植物相关的应用，例如植物性状估计或植物胁迫的量化。我们使用了 8 个评估指标来分析和比较剩余 U-Net、SegNet 和 U-Net 架构与文献中现有算法的性能。具有 1532 万个可训练参数的残差 U-Net，优于 SegNet 和其他最先进的方法，同时实现了与 U-Net 相当的性能。Residual U-Net 在 LSC 数据集上的骰子系数分别为 0.9709 和 fig 数据集上的 0.9665。本文中使用的分割网络可用于其他与植物相关的应用，例如植物性状估计或植物胁迫的量化。优于 SegNet 和其他最先进的方法，同时实现了与 U-Net 相当的性能。Residual U-Net 在 LSC 数据集上的骰子系数分别为 0.9709 和 fig 数据集上的 0.9665。本文中使用的分割网络可用于其他与植物相关的应用，例如植物性状估计或植物胁迫的量化。优于 SegNet 和其他最先进的方法，同时实现了与 U-Net 相当的性能。Residual U-Net 在 LSC 数据集上的骰子系数分别为 0.9709 和 fig 数据集上的 0.9665。本文中使用的分割网络可用于其他与植物相关的应用，例如植物性状估计或植物胁迫的量化。