基于MaskR一CNN的輕量級草莓實例分割算法

DOI：10.13733/j.jcam.issn.2095-5553.2025.07.018

Abstract：Inresponse tothecomplexityoftheorchardpicking environment，thedificultyofacuratesegmentation betweenstrawberies andthesurrounding environment，and the inabilityof the existing model processing speedtorealize fastsegmentation，asegmentationalgorithmoflightweight strawberry instance based on Mask R—CNNisproposed.Onthe basis of theoriginal MaskR—CNNalgorithm，theMobileNetV3network isusedtoreplace theoriginal ResNet101 backbonenetwork，thealgorithmislightweight，andthechannelatentionmechanismintheoriginalMobileNetV3 residualstructure isreplacedbythecolaborativeatentionmechanism module，which iscombinedwith the feature pyramidnetworkarchitecturetoperformthefeatureextraction，andthestrawberyindividualsarerealized.The preciseand fastlocalizationsegmentationofindividual strawberiesisachieved.Finallycomparison experimentsareperformedontheselflabeleddataset.TheexperimentalresultsshowthattheproposedimprovedMaskR—CNNalgorithmimprovesborder （2號 mAP and mask mAP by 75% and 4.05% respectively，and the detection speed by 2o.O9 frames/s compared with the original Mask R—CNN model，which reduces the dependence of the model on hardware storage space and arithmetic power.

Keywords：strawberry image；instance segmentation;improved Mask R—CNN;CA atentionmechanism；lightweight network

0 引言

隨著城鎮(zhèn)化不斷推進(jìn)，勞動力人數(shù)減少，人工成本增長等問題日益嚴(yán)重，果蔬采摘時間占整體生產(chǎn)時間的 25% ，采摘成本占總成本約 50%^[1] 。為降低成本，果蔬采摘機(jī)器人成為當(dāng)前研究熱點[2。目前，國際上已開發(fā)出諸多商業(yè)化草莓采摘機(jī)器人原型?，F(xiàn)有的機(jī)械式草莓采摘機(jī)效率較低，仍需大量人工輔助進(jìn)行識別定位果實，因此，研究智能化草莓采摘機(jī)器人具有重要的實用價值和現(xiàn)實意義。

近年來，深度學(xué)習(xí)在計算機(jī)視覺領(lǐng)域中已經(jīng)成為研究熱點[3]。與傳統(tǒng)機(jī)器學(xué)習(xí)方法相比，深度學(xué)習(xí)具有很強(qiáng)的自適應(yīng)能力?；谏疃葘W(xué)習(xí)的圖像分割主要包括兩大類：語義分割和實例分割。語義分割是對圖像中所有像素進(jìn)行分類，并為其賦予類別標(biāo)簽[4]；實例分割是在語義分割的基礎(chǔ)上進(jìn)一步區(qū)分同類別的不同個體?；趨^(qū)域的卷積神經(jīng)網(wǎng)絡(luò)（R—CNN）[5]，由于具有較強(qiáng)的特征提取能力和自主學(xué)習(xí)能力，已被廣泛應(yīng)用于實例分割中。R—CNN利用選擇性搜索[感興趣區(qū)域，然后直接通過卷積神經(jīng)網(wǎng)絡(luò)提取特征。FastR—CNN解決了R—CNN速度慢、占用內(nèi)存大的缺點，實現(xiàn)了端到端的多任務(wù)訓(xùn)練，然而提取候選框時間太長，無法實時應(yīng)用。FasterR—CNN網(wǎng)絡(luò)是FastR—CNN網(wǎng)絡(luò)的改進(jìn)版本，增加了區(qū)域定位方法，而不是選擇性搜索，以提高其性能[]。He等[8在FasterR—CNN的基礎(chǔ)上提出MaskR—CNN算法，增加一個預(yù)測掩膜分支，實現(xiàn)對物體的實例分割，提升分割精度。

基于深度學(xué)習(xí)的實例分割算法已經(jīng)逐漸應(yīng)用到智慧農(nóng)業(yè)領(lǐng)域中。對草莓的精確定位分割是實現(xiàn)機(jī)器人采摘的必要前提。Yu等提出了一款用于種植草莓的新型收獲機(jī)器人以及一款名為旋轉(zhuǎn)YOLO（R—YOLO）的果實姿勢估計器，平均識別率為 94.43% ，但結(jié)合實際工作會造成預(yù)測位置出現(xiàn)偏差從而導(dǎo)致錯采漏采。侯貴洋等[1°采用顏色識別和特征識別相結(jié)合的方法區(qū)分成熟草莓和未成熟草莓，最終正確率可以達(dá)到92% 以上，但其檢測環(huán)境背景并非在真實草莓采摘園內(nèi)。劉小剛等[11]提出利用改進(jìn)的YOLOv3識別方法在復(fù)雜環(huán)境中對草莓進(jìn)行連續(xù)識別檢測，平均精度均值（2號 （mAP ）可達(dá)87. 51% 。Chen等[12]提出了一種FPN增強(qiáng)MaskR—CNN在非結(jié)構(gòu)化環(huán)境下草莓檢測的應(yīng)用。然而這些研究都停留在初級階段，只檢測了水果的大概位置以及是否成熟。高精度的草莓輪廓和形狀識別對于草莓定位和采收是必要前提，由于草莓的形狀、大小還有顏色都存在不確定性，甚至草莓個體在空間上會具有重疊性，難以準(zhǔn)確識別。因此，設(shè)計一種高效、實時、精確、智能的草莓實例分割算法是當(dāng)前急需解決的問題。

基于此，本文提出一種基于MaskR—CNN的草莓實例分割算法，通過引入MobileNetV3作為改進(jìn)后算法的主干網(wǎng)絡(luò)，且將MobileNetV3中的SE注意力機(jī)制模塊替換成協(xié)同注意力（CoordinateAttention）機(jī)制模塊，與特征金字塔網(wǎng)絡(luò)（FPN）架構(gòu)進(jìn)行特征提取，實現(xiàn)對草莓個體的精準(zhǔn)快速定位分割。

1數(shù)據(jù)采集與預(yù)處理

1 數(shù)據(jù)采集

試驗數(shù)據(jù)集照片拍攝于安徽省淮南市山南草莓園（2023年2月底至3月，天氣晴，不同光照條件下，室外大棚環(huán)境）。圖像在一天中的不同時間收集，包括9：00、12：00和15：00，保證數(shù)據(jù)集的普適性。如圖1所示，構(gòu)建自制草莓?dāng)?shù)據(jù)集。此外還從多個網(wǎng)站獲取草莓圖像數(shù)據(jù)，來提升數(shù)據(jù)集的多樣性和魯棒性，最終獲得3670張圖片，圖片大小為1008像素 ×756 像素，并以PNG格式儲存。樣本圖像如圖1所示。

圖1數(shù)據(jù)集樣本圖像 Fig.1Dataset sample image

2 數(shù)據(jù)預(yù)處理

1）數(shù)據(jù)集篩選。采取人工篩選方式，篩選出模糊，缺失等不合格圖片，最終得到3600張圖片。

2）數(shù)據(jù)集劃分。將數(shù)據(jù)集劃分為3部分，其中訓(xùn)練集3300張，測試集200張，驗證集100張。

3）數(shù)據(jù)集標(biāo)注。使用Eiseg標(biāo)注工具，Eiseg是以RITM及EdgeFlow算法為基礎(chǔ)，基于飛槳開發(fā)的一款高效智能的交互式分割標(biāo)注軟件。對數(shù)據(jù)集中的訓(xùn)練集和驗證集進(jìn)行標(biāo)注，同時生成COCO格式數(shù)據(jù)集，如圖2所示，最終完成草莓實例分割數(shù)據(jù)集的制作。

圖2數(shù)據(jù)集制作Fig.2 Data set production

2 草莓實例分割算法

2.1模型整體框架

改進(jìn)模型整體框架如圖3所示。

圖3改進(jìn)的MaskR一CNN網(wǎng)絡(luò)模型Fig.3 Improved MaskR—CNNnetworkmodel

第一階段將草莓?dāng)?shù)據(jù)集作為輸入，以MaskR—CNN模型作為基準(zhǔn)網(wǎng)絡(luò)對草莓個體進(jìn)行提?。坏诙A段CA—MobileNetV3作為骨干網(wǎng)絡(luò)構(gòu)建草莓實例分割模型，結(jié)合特征金字塔網(wǎng)絡(luò)（FPN）架構(gòu)[13進(jìn)行特征提取，加強(qiáng)草莓個體關(guān)鍵部分的特征學(xué)習(xí)，實現(xiàn)草莓個體的精準(zhǔn)快速定位分割。降低模型計算量，提升模型收斂速度，從而實現(xiàn)對草莓成熟度的輕量化實例分割。

2.2 MaskR-CNN網(wǎng)絡(luò)

MaskR一CNN是實例分割中經(jīng)典的算法。通過在FasterR一CNN算法末尾添加一個額外的分支來進(jìn)行擴(kuò)展，從而使用全連接層（FC）實現(xiàn)每個輸出建議框的實例分割，分割和定位任務(wù)并行。MaskR—CNN算法框架由3個階段構(gòu)成，如圖4所示。首先，骨干網(wǎng)絡(luò)從輸入圖像中提取特征圖。其次，將從主干網(wǎng)絡(luò)輸出的特征圖[14發(fā)送到區(qū)域建議網(wǎng)絡(luò)（RPN），以生成感興趣區(qū)域（ROD。第三，對RPN輸出的ROI進(jìn)行映射，以獲得在共享特征圖中對應(yīng)的目標(biāo)特征，然后再一次傳遞至FC和全卷積網(wǎng)絡(luò)（FCN），并進(jìn)行目標(biāo)劃分和實例分割，在這個過程中得到分類分?jǐn)?shù)、邊界框和掩碼。

圖4模型整體框架 Fig.4Overall framework of the model

2.3 引入MobileNetV3骨干網(wǎng)絡(luò)

原算法中ResNet101模型網(wǎng)絡(luò)層數(shù)很深，可以提取圖片局部信息，但是訓(xùn)練時間長，需要過多的計算資源，且在實例分割中對遠(yuǎn)程關(guān)系處理較差，對于本實驗所要處理的圖像數(shù)據(jù)會過于復(fù)雜。所以將原ResNet101骨干換成輕量型MobileNetV3骨干來提高效率，減輕計算量。MobileNetV3在MobileNetV2的基礎(chǔ)上進(jìn)行大范圍的改進(jìn)，在性能和速度上都有提升，是輕量級骨架網(wǎng)絡(luò)的首選。MobileNetV3參數(shù)由NAS搜索獲取，又繼承V1的深度可分離卷積和V2的具有線性瓶頸的殘差結(jié)構(gòu)。且引入SE通道注意力機(jī)制，在激活函數(shù)上，用 h —swish[x］代替ReLU激活函數(shù)，對網(wǎng)絡(luò)結(jié)構(gòu)進(jìn)行優(yōu)化，修改MobileNetV2后端輸出head，提升精度和速度。

式中： x （20 模型輸人；ReLU——激活函數(shù)。

MobileNetV3—Large模型整體結(jié)構(gòu)如表1所示。

表1MobileNetV3—Large結(jié)構(gòu)參數(shù) Tab.1 Structure parameters of MobileNetV3—Large

注：“√\"表示添加該模塊，“—\"表示不添加該模塊。

2.4引入?yún)f(xié)同注意力機(jī)制

草莓采摘果園中實際環(huán)境復(fù)雜多變，存在果實過小、果實邊緣不易分割、葉片遮擋果實、果實重疊區(qū)域較多等情況，這些因素都會對圖像的分割結(jié)果造成較大影響。由于MobileNetV3中本身存在的SE注意力機(jī)制模塊只考慮到了通道維度上的注意力，無法捕捉空間上的注意力，所以，為提高對草莓顯著性區(qū)域特征提取能力，在MobileNetV3網(wǎng)絡(luò)基礎(chǔ)上將原本的SE注意力機(jī)制模塊替換成CA注意力機(jī)制模塊，加強(qiáng)對空間位置信息的捕捉。改進(jìn)后的CA—MobileNetV3如圖5所示。

圖5改進(jìn)后的MobileNetV3block Fig.5ImprovedMobileNetV3 block

CA[15]是一種全面關(guān)注特征層的空間信息和通道信息的注意力機(jī)制，通過將位置信息嵌入到通道注意力中，使用強(qiáng)化信息表示的方法增強(qiáng)特征，使輕量級網(wǎng)絡(luò)能在更大區(qū)域進(jìn)行特征提取，同時避免產(chǎn)生大量計算開銷。CA注意力計算過程如圖6所示，利用2個一維全局池化操作分別將垂直和水平方向的輸入特征聚合到2個獨立的方向感知特征圖，這樣，可以沿一個空間方向捕獲遠(yuǎn)程依賴關(guān)系，同時可以沿另一空間方向保留精確的位置信息。

2.5 損失函數(shù)

MaskR—CNN的損失函數(shù)是在FasterR—CNN網(wǎng)絡(luò)的基礎(chǔ)上加上一個Mask分支的損失，Mask分支上的損失函數(shù)的主要作用是衡量模型生成的分割掩模（Mask）與真實分割掩模之間的差異，使模型能夠更準(zhǔn)確地預(yù)測目標(biāo)對象的精確分割邊界。為衡量預(yù)測Mask與真實Mask間的差異，MaskR—CNN采用平均二值交叉熵?fù)p失[16]作為Mask分支的損失函數(shù)。對于屬于第 ?k 個類別的ROI，Mask分支上的損失函數(shù)僅考慮第k 個Mask，而忽略其他類別的Mask。同時模型為每個ROI生成對應(yīng)的二進(jìn)制掩膜，并且不存在類間競爭。

FasterR—CNN的損失Loss包括兩部分：回歸損失和分類損失。

L_ds（?_i^*，?_?，?_i）=Θ-[p_ilog（?_i^*）+（1-p_i）log（1-p_i^*?）]

式中： i 錨點的索引；

t_i ——具有中心點的水平和垂直坐標(biāo)以及與錨點 i 相關(guān)聯(lián)的邊界框的寬度和高度坐標(biāo)的向量， t_i=（t_i^x，t_i^y，t_i^w，t_i^h） ：

t_i^* ——向量預(yù)測值;

（20 ?_Pi ———人工標(biāo)注概率；

（20 p_i^* ——概率預(yù)測值;

m_i -的二進(jìn)制掩碼；

m_i^* （204號 二進(jìn)制掩碼預(yù)測；

LREG 回歸損失；

L_cls 分類損失；

L Mask -Mask分支的損失。

3實驗與結(jié)果分析

3.1 實驗平臺

本實驗使用的計算機(jī)硬件環(huán)境為IntelCOREi7處理器，NVIDIARTX30606GB顯卡，16GB內(nèi)存；Python3.6，使用的深度學(xué)習(xí)框架為Pytorch10。

3.2 評價指標(biāo)

為了客觀評價改進(jìn)算法的好壞，實驗采用平均精度（AP ）平均精度均值 （mAP ）、平均召回率 （AR） 和檢測速度 （FPS）4 種評價指標(biāo)來進(jìn)行性能評估。其中， AP 與精確率 （P） 和召回率 （R） 相關(guān)，計算 IoU=0.50 的AP、AR 值（分別稱為 AP@0.5 和 AR@（ω0.5） 。 AP 和 mAP 計算如式（7）～式（10）所示。

式中： TP -正確檢測框的數(shù)量；FP 1 誤檢框的數(shù)量；FN 漏檢框的數(shù)量。

3.3 結(jié)果與分析

3.3.1 消融實驗

為驗證提出方法的有效性，以MaskR一CNN為基準(zhǔn)進(jìn)行對比實驗，結(jié)果如表2所示。實驗批處理大小設(shè)為8，迭代次數(shù)均設(shè)為100，采用隨機(jī)梯度下降的優(yōu)化方法，動量因子（momentum）設(shè)為0.8，為減小訓(xùn)練所占用的顯存大小，統(tǒng)一將訓(xùn)練集大小調(diào)整為544像素 ×544 像素。學(xué)習(xí)率初始大小為0.004，每迭代20次，縮小為原來的 1/10 。

從表2可以看出，對比實驗1和實驗2，將原先的主干特征提取網(wǎng)絡(luò)換為MobileNetV3后，模型推理速度FPS提升15.87個百分點，邊框mAP和掩膜 mAP 分別降低3.08、3.60個百分點。說明雖然使用MobileNetV3作為骨干特征提取網(wǎng)絡(luò)損失了少量精度，但其推理速度顯著上升。這是因為MobileNetV3中獨有的瓶頸（bneck）結(jié)構(gòu)，實現(xiàn)通道可分離卷積、SE模塊和殘差連接，保證輕量化特性。并且MobileNetV3移除了之前的瓶頸層連接，進(jìn)一步地減少網(wǎng)絡(luò)參數(shù)，極大地提升網(wǎng)絡(luò)性能。

表2消融實驗的對比結(jié)果Tab.2 Comparison resultsof ablation experiment

注： × 表示未引人該因素， √ 表示引入該因素。

對比實驗2和實驗3，CA注意力機(jī)制代替MobileNetV3中原有的SE模塊后，邊框mAP和掩膜 mAP 分別提升6.05、5.49個百分點。說明在草莓果實分割任務(wù)中CA注意力機(jī)制更有優(yōu)勢，這得益于替換的CA模塊既可以捕捉空間位置信息也可以捕捉通道信息，提高模型的識別率，增強(qiáng)模型對草莓坐標(biāo)位置信息的捕捉，而原本的SE模塊對空間位置信息忽略，導(dǎo)致其在精度上并不能有很好的表現(xiàn)力。因此，使用CA—MobileNetV3作為骨干網(wǎng)絡(luò)的MaskR—CNN更能精準(zhǔn)定位和分割草莓。

3.3.2 不同模型對比實驗

將改進(jìn)模型與主流模型YOLACT]、YOLACT ++^[18] 進(jìn)行對比，所有算法實驗環(huán)境和配置均相同，結(jié)果如表3所示。改進(jìn)模型在邊框mAP和掩膜 mAP 分別為 93.65%.950% ，相比原MaskR—CNN分別提升 75%.4.05% ;在速度上，改進(jìn)模型的推理速度為24.65幀/s，優(yōu)于經(jīng)典MaskR—CNN。雖然本算法推理速度上比YOLACT、YOLACT + 十低2.33幀/s和3.21幀/s，但在精度上，YOLACT和 YOLACT++ 精度有明顯劣勢。綜上，相對原始MaskR一CNN，本文模型實現(xiàn)對精度和速度的雙重提升。

表3不同模型對比實驗Tab.3Comparison experiments of different models

注：A表示MaskR—CNN，B表示YOLACT，C表示YOLACT ⁺⁺ D表示改進(jìn)的算法。

3.3.3 分割結(jié)果對比

使用改進(jìn)的輕量級草莓實例分割算法模型和其他模型對草莓圖像進(jìn)行分割對比，結(jié)果如圖7所示。

圖7草莓實例分割效果

Fig.7Segmentationeffectof strawberryinstance

圖7（a）中草莓生長情況復(fù)雜，成熟草莓被未成熟草莓及葉片遮擋，原始MaskR一CNN算法不能很好地處理此種情況，被遮擋草莓邊緣分割粗糙且成熟草莓會被誤識為未成熟草莓，改進(jìn)后算法草莓邊緣分割狀態(tài)及識別效果優(yōu)良；圖7（b）中，原始MaskR—CNN算法不能有效區(qū)分背景和目標(biāo)，改進(jìn)后的算法背景與目標(biāo)區(qū)分明顯，表現(xiàn)優(yōu)秀；圖7（c中，原始MaskR—CNN算法存在錯檢情況；圖7（d）中，拍攝光線昏暗，可以看出光線對原始算法影響很大，大規(guī)模出現(xiàn)重復(fù)檢測，草莓識別混亂情況，而改進(jìn)后的算法分割效果優(yōu)秀；圖7（e中，草莓果實數(shù)量多、分布密集，原始MaskR—CNN算法不能準(zhǔn)確分割出各草莓輪廓，重復(fù)分割。綜上，原始MaskR—CNN算法模型分割效果差，存在漏檢、錯檢和背景識別不清的狀況，尤其是小果型草莓，不能準(zhǔn)確分割出草莓邊緣。本文的輕量級草莓實例分割算法對各種成熟度和多數(shù)量草莓圖片都能實現(xiàn)精確分割，且分割效果良好。

4結(jié)論

1）在經(jīng)典MaskR—CNN網(wǎng)絡(luò)的基礎(chǔ)上，將原本的ResNet101骨干網(wǎng)絡(luò)替換成MobileNetV3骨干網(wǎng)絡(luò)，且改進(jìn)MobileNetV3，將SE模塊替換成CA模塊，構(gòu)建草莓實例分割模型。

2）通過在真實環(huán)境下拍攝數(shù)據(jù)集并進(jìn)行訓(xùn)練，實驗結(jié)果表明，改進(jìn)后的算法在測試集上邊框mAP和掩膜 mAP 分別為 93.65%.950% ，推理速度為24.65幀/s，相比于MaskR—CNN算法，邊框mAP和掩膜mAP分別提升 75% 和 4.05% ，推理速度提高20.09幀/s，模型運行速度提升，減少模型對存儲空間和算力的依賴，在保持精度的基礎(chǔ)上進(jìn)一步減少模型參數(shù)量和復(fù)雜度。為在葉片遮擋、重疊、密集等復(fù)雜環(huán)境下草莓的精確定位分割提出一種有效的方法。

參考文獻(xiàn)

[1]漢永乾，孫步功，張鵬，等．農(nóng)業(yè)采摘機(jī)器人研究進(jìn)展[J].林業(yè)機(jī)械與木工設(shè)備，2023，51（4）：4-8.

[2]周航，杜志龍，武占元，等．機(jī)器視覺技術(shù)在現(xiàn)代農(nóng)業(yè)裝備領(lǐng)域的應(yīng)用進(jìn)展[J]．中國農(nóng)機(jī)化學(xué)報，2017，38（11）：86-92.Zhou Hang，Du Zhilong，Wu Zhanyuan，et al. Applicationprogress of machine vision technology in the field ofmodern agricultural equipment [J].Journal of ChineseAgriculturalMechanization，2017，38（11）：86-92.

[3]宋懷波，尚鈺瑩，何東?。麑嵞繕?biāo)深度學(xué)習(xí)識別技術(shù)研究進(jìn)展[J]．農(nóng)業(yè)機(jī)械學(xué)報，2023，54（1）：1—19.Song Huaibo， ShangYuying， He Dongjian. Reviewon deep learning technology for fruit target recognition [J].Transactions of the Chinese Society for AgriculturalMachinery，2023，54（1）：1-19.

[4]黃濤，李華，周桂，等．實例分割方法研究綜述[J]．計算機(jī)科學(xué)與探索，2023，17（4）：810-825.

[5]GirshickR，Donahue J，Darrell T， et al. Region-basedconvolutional networks for accurate object detection andsegmentation[J].IEEE Transactions on Pattern Analysisamp;Machine Intelligence，2015，38（1）：142—158.

[6]Bharati P，Pramanik A. Deep learning techniques—R-CNN to Mask R-CNN：A survey [J]. ComputationalIntelligence in Pattern Recognition：Proceedings of CIPR2019，2020：657-668.

[7] Chen Y，Li W，Sakaridis C，et al. Domain adaptive FasterR—CNN for object detection in the wild [C]. Proceedingsof the IEEE Conference on Computer Vision and PatternRecognition，2018：3339-3348.

[8] He K，Gkioxari G，Dollár P，et al. Mask R—CNN [C].Proceedings of the IEEE International Conference onComputer Vision，2017：2961—2969.

[9] Yu Y， Zhang K L， Liu H，et al. Real-time visuallocalization of the picking points for a ridge-plantingstrawberry harvesting robot[C]. IEEE Access，2020，8：116556—116568.

[10］侯貴洋，趙桂杰，王璐瑤．草莓采摘機(jī)器人圖像識別系統(tǒng)研究[J]．軟件，2018，39（6）：184—188.

[11］劉小剛，范誠，李加念，等．基于卷積神經(jīng)網(wǎng)絡(luò)的草莓識別方法[J]．農(nóng)業(yè)機(jī)械學(xué)報，2020，51（2）：237—244.

[12] Chen Y，Liu K，Xin Y，et al. Soil image segmentationbased on Mask R—CNN [C]. 2023 3rd InternationalConference on Consumer Electronics and ComputerEngineering（ICCECE）.IEEE，2023：507—510.

[13］胡奕帆，趙賢林，李佩娟，等．基于改進(jìn)YOLOv5的自然環(huán)境下番茄果實檢測[J]．中國農(nóng)機(jī)化學(xué)報，2023，44（10）： 231-237.Hu Yifan， Zhao Xianlin，Li Peijuan，et al.Tomatofruit detection in natural environment based on improvedYOLOv5[J].JournalofChineseAgriculturalMechanization，2023，44（10）：231—237.

[14]項新建，周焜，費正順，等．基于改進(jìn)YOLOX算法的楊梅成熟度檢測方法[J]．中國農(nóng)機(jī)化學(xué)報，2023，44（10）：201-208.Xiang Xinjian， Zhou Kun，F(xiàn)ei Zhengshun， et al.Maturity detection method of Myrica rubra based onimproved YOLOX algorithm [J]. Journal of ChineseAgricultural Mechanization，2023，44（10）：201-208.

[15] Perez-Borrero I，Marin-Santos D，Gegundez-Arias M E，et al. A fast and accurate deep learning method forstrawberry instance segmentation [J]. Computers andElectronics in Agriculture，2020，178：105736.

[16]Yu Y，Zhang K，Yang L，et al. Fruit detection forstrawberry harvesting robot in non-structural environmentbased on Mask—RCNN[J].ComputersandElectronics in Agriculture，2019，163：104846.

[17] Zeng J， Ouyang H， Liu M， et al. Multi-scale YOLACTfor instance segmentation [J].Journal of King SaudUniversity-Computer and Information Sciences，2022，34（10）：9419-9427.

[18] Huang M， Xu G， Li J，et al. A method for segmenting diseaselesionsofmaizeleavesinrealtimeusingattentionYOLACT ⁺⁺ [J].Agriculture，2021，11（12）：1216.