因此，中脱毛的叶柄和顶点区域标识如下：首先计算中脱毛的OBB，然后通过切割OBB的两个较长边缘将叶柄分成两个矩形。
进一步计算了两个矩形的中层像素数，并将面积较大的区域确定为叶柄区域。
最后，计算叶柄和顶端的质心，并连接成一条直线，作为叶片旋转的参考线。
使用尺寸归一化将叶子按比例缩放到相同的宽度，具有大小相关的比例因子。
因此，归一化的叶子具有相同的宽度和不同的长度。在这项研究中，叶子宽度设置为500像素，以实现计算效率和准确性之间的平衡。
叶柄被定义为从叶基部到第一层沿中脱落的区域。
因此，中叶脉可分为叶柄脉和一级脉。
叶片和中裂层可以通过中层区域的扩张操作组合成一个新的物体。
新物体的最大轮廓可以包含所有相邻的叶片区域，并且使用最靠近叶基部的叶片来确定叶柄。
此外，中叶可以将整个叶子分成左右两部分。因此，利用中段的骨架线将语义成分分为两部分。
由于数据标注非常耗时和劳动密集型，因此根据图中的规范仅注释了41片具有代表性的生菜叶。
六个语义分割模型分别使用相同的主干和参数训练了200个epoch实现收敛。
叶片、叶片和中段模型的IoU得分均超过90%，但静脉的IoU得分低至70%。
对于测试数据集，所有语义组件的平均 IoU 和 F1 在训练和验证方面表现出相似的性能。
在与静脉结构相关的组件中，mid-rid'模型实现了相对较高的分割精度。
叶片归一化操作是保证表型分析一致性的重要方法。
每个叶子图像以角度序列旋转，以构建测试图像集，用于评估所提出的叶子归一化方法的鲁棒性和可靠性。
平均比例因子非常接近，标准差相似。
结果表明，数据归一化适用于生菜叶的正图像和背图像。
值得注意的是，归一化图像可能需要翻转，这是数据规范化的后续操作。
