基于迁移学习的马铃薯冠层分割方法研究

在气候室环境中，利用DeepLab V3+模型进行马铃薯可见光和热成像分割时，出现了严重的欠拟合问题。尽管经过多次参数调整和数据扩增，模型的分割性能仍未得到改善。这可能是由于DeepLab V3+模型基于ResNet-18较为简单，无法准确捕捉马铃薯冠层的特征。

相比之下，基于ResNet-50的Mask RCNN网络模型采用了更深的主干网络提取图像特征，而马铃薯的实际生长环境相对简单，因此采用Mask RCNN迁移学习方法可以获得更好的马铃薯冠层分割结果。