【摘要】[目的] 过去的研究通常将生菜的分类、分割和鲜重估测作为独立的处理步骤，便导致了对特征信息的协同利用不足，从而导致时间成本增加。[方法] 为解决这一问题，论文提出了一种端到端的生菜无损鲜重估测模型——LettuceNet，该模型通过分析俯视图像估测生菜鲜重。LettuceNet结合SwinTransformer-Tiny(Swin-T)和UPerNet，有效提取生菜冠层图像的特征。模型设计了基于K-Net的用于语义分割的分割头部网络以及用于鲜重估测的回归头部网络。回归头部网络融合利用Swin-T的特征与分割头部网络的结果，用于生菜的分类和冠层面积统计，使LettuceNet能够同时高效处理语义分割和鲜重估测任务。[结果] 两个数据集的实验表明，LettuceNet语义分割任务中，其平均像素准确度(MPA)分别达到98.01%和98.75%，而平均交并比(MIoU)分别为96.02%和97.63%；在鲜重预测方面，R~(2)分别为0.898和0.919，均方误差(MSE)分别0.865和30.814，平均绝对百分比误差(MAPE)分别为1.894%和18.194%。[结论] 通过输入生菜冠层图像，LettuceNet能够实时且无损地完成生菜的分类、分割与鲜重估测，能够快速地生菜的生长情况进行定量分析，为植物工厂的智能管控提供数据支持。