花椰菜是十字科一二年生草本植物，它含有大量的蛋白质和丰富的维他命和多酚，有很高的种植效益和经济价值[1]。根据《国家种质资源重大科研攻关计划》调查，中国是花椰菜生产和消费大国，目前中国已成为世界第一大花椰菜生产国。由于西兰花为选择性收获作物，在同一块土地上，不同个体的花球大小和新鲜水平有很大差异，如何准确评价每一种花球的大小和新鲜程度，是提高采收效率和质量的关键。以往花球的检测主要是靠人工，通过农艺人员定期地在田间测定不同个体的花球大小、圆度等参数。但是，传统的人工野外调查存在着效率低、主观性强、不能提供实时数据、成本高等问题，影响了西兰花产业的智能化发展。

目前，计算机视觉技术已广泛地应用于田间复杂环境中的果实提取与分析研究，以实现对作物生长的动态监测；图像分割是计算机视觉技术的前提和关键，它的精度直接影响后续工作的精确度和效率。精确地实现了自然条件下的目标果实的分割，主要包括：1)基于颜色空间变换和阈值分割的方法。该算法的核心思想是从RGB,Lab,HSV等颜色空间中寻找差异较大的通道，并采用阈值分割算法。利用HIS彩色空间提取叶片病斑，并利用颜色空间变换技术，利用颜色空间变换和最大类间方差法实现全图的分割；董晓辉[4]提出了一种基于颜色空间变换的快速绿色植被分割方法，它的精确度超过80%。但由于光照、土壤反射率、鲁棒性不强等原因，这类算法很难在自然环境中达到有效的分离。（2）基于浅层模型的机器学习方法。经过人工筛选，提取果实与背景部分的颜色、纹理、性状等特征，生成能精确区分两者的高阶特征矩阵，训练分类器，得到分割模型。魏丽冉等[5]提出了基于核函数支持向量机的植物叶片病害多分类检测模型；周俊等[6]依据K均值聚类算法和直推支持向量机进行训练，并以精确的方法获得农田天然地块上的各类绿色植物；李先驱等[7]提出了一种基于特征优化和最小二乘支持向量(LeastSquareSupportVectorRegressionMachine，LS-SVM是利用粒子群算法(ParticleSwarmOptimizationAlgorithm)来实现棉花田杂草识别的方法，利用LS-SVM对提取出的特征进行优化，再输入LS-SVM进行识别，实验精度达到95%以上。但是，在实际应用中，经常会出现一些问题，例如：特征表示不完全，提取过程与检测过程分离，导致图像分割和识别性能下降。3)基于深度学习模型的机器学习方法。深度学习是以大数据集合为驱动的，无需设置特定的目标特征就可以对高维数据进行识别，具有强大的信息处理优势。

[8]。

Lee等[9]通过微调AlexNet、自动提取叶片特征，解决了传统方法依赖人工监督而产生模型偏差等问题。应用此网络的正确率可达99.6%;Dyrmann等[10]利用包含残块的支路模块(ConvolutionalNeuralNetworks，CNN)对一套包含20多种农作物和杂草的图片数据集进行分类测试，准确率达86.2%;Too等[11]在PlantVillage数据集中，识别PlantVillage数据集中的植物和害虫，我们发现当迭代次数增加时，DenseNets-121的精度提高最为显著，并且所需的参数数目最低；Fuentes等[12]有3个分类网络FasterR-CNN，利用SSD和R-FCN，结合了各种特征提取网络(VGG和ResNet)，提出了一种能够实时定位和识别番茄病虫害种类的系统；李淼等[13]，以CNN为基础，以迁移学习为基础，以陈桂芬等[14]为研究对象。以上研究采用了深度学习模型来获取现场表型信息，但由于光照、角度和相机规格难以统一等问题，目前多是针对大田作物，在此基础上的研究多是针对大田作物，对西兰花等作物进行深度学习框架下表型信息提取困难。

本文提出了一种将机器视觉与深度学习相结合的高效获取花椰菜长势信息的方法。利用自主研发的地底平台，获得花椰菜不同生育阶段的冠层正射影像，并利用本研究提出的一种改进的深度残差网络(ResNet)快速建立训练学习标注数据，建立了高通量的西兰花球分割模型；在此模型分割的基础上，采用PSOA技术和大津法(Otsu)二次分割方法，达到了花球新鲜度分析的目的。实验结果表明，本文所提出的方法相对于经典ResNet和GoogleNet，以及基于颜色空间变换和阈值分割的方法，具有较高的准确性和鲁棒性，为今后大田西兰花的表型分析提供了依据。