Die Blattsegmentierung ist der direkteste und effektivste Ansatz für die hochdurchsatzfähige Analyse pflanzenphänotypischer Daten und quantitative Forschung komplexer Merkmale. Derzeit liegt der primäre Fokus der Pflanzenphänotypik darauf, die Genauigkeit der autonomen phänotypischen Messung zu steigern. In dieser Arbeit stellen wir das LeafMask-Neuronale Netzwerk vor, ein neues End-to-End-Modell zur Abbildung einzelner Blattregionen und zur Zählung der Blattanzahl, das aus zwei Hauptkomponenten besteht: 1) dem Masken-Aufbau-Modul, das positionssensitive Basen jedes vorhergesagten Rechtecks nach der nicht-maximalen Unterdrückung (NMS) sowie entsprechende Koeffizienten zusammenführt, um ursprüngliche Masken zu generieren; und 2) dem Masken-Verfeinerungs-Modul, das die Blattgrenzen aus den Masken des Aufbau-Moduls mithilfe einer Punkt-Auswahl-Strategie und eines Vorhersagemoduls präzisiert. Zusätzlich haben wir ein neuartiges und flexibles multiscales Aufmerksamkeitsmodul für den dualen Aufmerksamkeitsgeleiteten Masken-Zweig (DAG-Mask) entworfen, um die Informationsdarstellung effektiv zu verbessern und genauere Grundlagen zu erzeugen. Unser Hauptbeitrag liegt darin, die endgültigen verbesserten Masken durch die Kombination des Masken-Aufbau-Moduls mit dem Masken-Verfeinerungs-Modul im Rahmen eines anchor-free Instance-Segmentierungsparadigmas zu generieren. Wir validieren unser LeafMask durch umfangreiche Experimente am Leaf Segmentation Challenge (LSC)-Datensatz. Unser vorgeschlagenes Modell erreicht einen BestDice-Score von 90,09 % und übertrifft damit andere state-of-the-art-Ansätze.