润色下面的中文表述使其表达更加简洁、逻辑性强、学术化。表2-2列出了测试集中120幅马铃薯冠层图像的分割结果可见G-R颜色分量差值算法获得了可接受的分割精度IOoU为088比DeepLab Vv3+迁移学习模型低002然而该算法对图像的处理时间更短平均每幅图像的分割时间仅为002 s。综合考虑分割精度、图像处理时间与数据处理工作站的性能本研究选用G-R颜色分量差值算法进行田间自然光照条件下马铃薯冠

本文通过对120幅马铃薯冠层图像的分割结果进行比较，发现G-R颜色分量差值算法在分割精度方面表现可接受，IOoU为0.88，与DeepLab Vv3+迁移学习模型相比仅低0.02。值得注意的是，该算法的图像处理时间更短，平均每幅图像的分割时间仅为0.02 s。考虑到分割精度、图像处理时间以及数据处理工作站的性能，本研究最终选择了G-R颜色分量差值算法进行田间自然光照条件下马铃薯冠层图像的分割。