王祥，舒軍，雷建軍，楊莉

（1 湖北工業(yè)大學 電氣與電子工程學院，武漢430068；2 湖北第二師范學院 計算機學院，武漢430205）

碧根果加工過程中，為了使碧根果方便入味會進行破殼處理.由于果殼硬度存在差異，使得部分碧根果未能取得理想的破殼效果，存在核仁大面積破損和未破殼的情況.為了保證碧根果的出售品質(zhì)，需要對破殼狀態(tài)合格的碧根果進行分級，目前主要通過傳統(tǒng)圖像處理方法［1-2］將圖片中的碧根果與背景分割開，測量果長與果徑進行分級處理.由于傳送帶機械振動造成果殼掉落、碧根果堆疊和打光角度變化造成陰影生成，使得傳統(tǒng)圖像處理方法不能很好地完成碧根果的分割任務(wù)，無法區(qū)分破殼類別和碧根果堆疊時的單個實例，給后續(xù)的碧根果自動分級造成很大的困難.因此，實現(xiàn)高可靠性的碧根果實例分割是目前亟需解決的問題.

近年來，實例分割發(fā)展主要有3個方向，第一個方向是自上而下基于錨框（anchor）［3］的方法.Mask R-CNN［4］算法先通過錨框產(chǎn)生ROI 區(qū)域，再對該區(qū)域進行分類、邊界框回歸和掩膜預測.該算法的實例分割精度與檢測精度較高，但速度難以滿足工業(yè)需求.YOLACT 算法作為第1 個實時實例分割模型，利用網(wǎng)絡(luò)自身的平移可變性這一特性，生成對不同實例產(chǎn)生不同響應(yīng)的特征圖，將特征圖進行線性組合，進而區(qū)分不同實例.提出的Fast NMS 相較于傳統(tǒng)NMS［5］極大地提升了候選框篩選速度.YOLACT++［6］算法通過引入可變形卷積，增加更多比例的錨框和掩膜評分機制，進一步提高檢測精度.BlendMask［7］借鑒YOLACT 算法中掩膜加權(quán)求和的思想，提出了一個融合了高層特征全局信息與低層特征位置信息的blender模塊，獲得高質(zhì)量的實例掩膜；第2 個方向是自下而上的基于語義分割的方法.SSAP［8］算法通過學習像素對的親和力金字塔，判斷兩個像素是否屬于同一實例，該算法精度不高且速度較慢.Deep Snake［9］算法通過提取圖像頂點特征，利用循環(huán)卷積預測頂點的偏移量逐步調(diào)整輪廓來逼近物體邊界，該算法經(jīng)過多次迭代才能獲得較為精準的輪廓邊界；第3 個方向無需用到錨框與聚類算法，端到端地預測實例掩膜和語義類別.WANG等提出的SOLO［10］算法核心思想是按位置和目標大小分割出不同實例.將圖片劃分為多個網(wǎng)格，將含有目標中心點的網(wǎng)格單元同時進行類別預測和實例掩膜預測.SOLOv2［11］通過采用動態(tài)mask head 分支與Matrix NMS，提高算法的實例分割速度.

將上述部分實例分割模型用于碧根果數(shù)據(jù)集，發(fā)現(xiàn)YOLACT++邊緣分割效果與分割速度較高，但存在部分區(qū)域誤分割、預測框不精確和誤檢情況發(fā)生.為滿足碧根果自動化加工需求，確保檢測與分割精度，本文提出基于改進的YOLACT++算法用于碧根果的實例分割任務(wù).針對誤分割問題，在主干網(wǎng)絡(luò)中引入改進的Res2Net［12］模塊增強主干網(wǎng)絡(luò)信息提取能力.采用CIoU［13］邊界框回歸損失函數(shù)，提高預測框的精度.將DIoU［14］與Fast NMS 結(jié)合，改善預測框的誤檢情況.

1 碧根果檢測流程

碧根果檢測流程如圖1 所示.使用工業(yè)相機對破殼后的碧根果進行圖像采集.服務(wù)器采用訓練好的實例分割模型對碧根果圖像進行實例分割，獲得不同破殼形態(tài)的掩膜和預測框.判斷預測框是否相交，若相交認為碧根果堆疊，進行回流處理.對破殼合格的碧根果通過掩膜測量果長與果徑進行分級.同一顆碧根果檢測3 個角度的圖像，取其中兩次相同預測等級作為最終等級，否則回流處理.控制氣泵將不同級別的碧根果吹入對應(yīng)的收集桶中，對破損和未破殼狀態(tài)的碧根果進行單獨收集.

圖1 碧根果檢測流程圖Fig.1 Pecan detection flow chart

2 YOLACT++算法原理

YOLACT++算法網(wǎng)絡(luò)結(jié)構(gòu)如圖2 所示.基于ResNet101 構(gòu)造的主干網(wǎng)絡(luò)對輸入的圖像進行特征提取，生成C1~C5 五個特征圖.將C3、C4、C5 三個特征圖作為特征金字塔的中間輸入層，經(jīng)過多個尺度的特征融合生成P3~P7 五個特征圖，再進行兩個并行的分支任務(wù).第1 個分支將P3 特征圖通過原型分支（ProtoNet）產(chǎn)生k個不同區(qū)域響應(yīng)的原型掩膜；第2 個分支在預測頭中以特征圖的像素點為錨點，生成長寬比為［1，1/2，2，1/3，3］的錨框，用于檢測是否存在實例，再分別進行錨框分類（Class）、原型掩膜的系數(shù)預測（Mask Coefficients）、邊界框回歸（Bounding Box Regression）.Fast NMS 對經(jīng)過邊界框回歸后的候選框進行篩選，獲取最終的實例預測框.將原型掩膜與掩膜系數(shù)進行線性組合，生成的圖像經(jīng)過預測框區(qū)域裁剪和閾值分割，進而獲得最終的實例掩膜.

圖2 YOLACT++模型結(jié)構(gòu)Fig.2 YOLACT++model structure

3 YOLACT++算法改進

3.1 主干網(wǎng)絡(luò)的改進

YOLACT++采用基于ResNet-101 的主干網(wǎng)絡(luò)，其中Bottleneck 殘差結(jié)構(gòu)作為ResNet-101 的基本模塊，其結(jié)構(gòu)如圖3（a）所示，該結(jié)構(gòu)在解決梯度消失的同時增強網(wǎng)絡(luò)的特征提取能力.為加強對圖像深層特征的提取，充分利用單層內(nèi)的特征，本文采用改進的Res2Net 模塊替換主干網(wǎng)絡(luò)中的Bottleneck模塊，以獲得更強的分層多尺度表示能力.Res2Net結(jié)構(gòu)如圖3（b）所示.Res2Net 將經(jīng)過1 × 1 卷積的特征圖按通道均勻地分為4 個特征子圖，每個特征子圖含有相同的空間大小和通道數(shù).從第三個特征子圖開始，將特征子圖與前一個經(jīng)過3 × 3 卷積的特征子圖輸出相加作為該特征子圖對應(yīng)卷積的輸入，最后將4 個特征子圖的輸出結(jié)果進行合并，并經(jīng)過1 × 1卷積輸出.通過對特征子圖的分割和拼接實現(xiàn)特征重用，擴大了感受野，有利于全局和局部信息的提取，最后通過卷積輸出.改進的Res2Net 增加了CBAM［15］注意力模塊，結(jié)構(gòu)如圖3（c）所示，對通道特征與空間特征進行加權(quán)，抑制無效特征，使得網(wǎng)絡(luò)更關(guān)注于目標區(qū)域特征.

圖3 網(wǎng)絡(luò)結(jié)構(gòu)對比Fig.3 Network structure comparison

CBAM 結(jié)構(gòu)如圖4 所示，由通道注意力模塊和空間注意力模塊構(gòu)成.分別為特征圖生成一維的通道注意力權(quán)重和二維的空間注意力權(quán)重，用于加強網(wǎng)絡(luò)的特征提取能力.

圖4 CBAM結(jié)構(gòu)Fig.4 CBAM structure

在通道注意力模塊中將輸入的特征圖U（大小H×W×C）經(jīng)過全局最大池化和平均池化，獲得兩個1 × 1 ×C的特征圖，其結(jié)果分別輸入權(quán)值共享的兩層感知器（MLP），將輸出的特征相加并經(jīng)過激活函數(shù)，生成通道注意力權(quán)重MC.最后將輸入特征圖與通道注意力權(quán)重相乘，生成通道注意力特征圖F"，計算過程如下：

其中AvgPool表示全局平均池化，求取每個通道的像素平均值；MaxPool表示全局最大池化，保留每個通道的特征圖的像素最大值；f1表示輸入通道C，輸出通道C/16的全連接層；f2表示輸入通道C/16，輸出通 道C的 全 連 接 層；δ表 示ReLU 函 數(shù)；σ表 示Sigmoid函數(shù).

在空間注意力模塊中將通道注意力特征圖F′ 作為輸入先進行通道維度的平均池化和最大池化，獲得兩個H×W× 1 的特征圖，再將兩個特征圖拼接后通過7 × 7的卷積層，結(jié)果經(jīng)過Sigmoid函數(shù)，得到二維單通道的空間注意力權(quán)重Ms.將空間注意力權(quán)重與通道注意力特征圖相乘，生成同時具有空間與通道注意力的特征圖F″，計算過程如下：

其中AVGPool表示通道維度平均池化，對每個通道的特征圖對應(yīng)像素相加取平均值；MAXPool表示通道維度最大池化，保留各個通道特征圖對應(yīng)位置的最大像素值；f3表示大小為7 × 7 的卷積，輸出通道為1.

3.2 邊界框回歸損失函數(shù)改進

邊界框回歸損失的目的是為了衡量預測框與真實框的位置差距，即預測框的回歸性能.YOLACT++采用SmoothL1 作為邊界框回歸損失函數(shù)，對預測框的長、寬及中心點的橫、縱坐標偏置量進行損失計算，計算過程如下：

其中xa，ya，wa，ha表示anchor的中心點坐標、長和寬；x*，y*，w*，h*表示真實框的中心點坐標、長和寬；u表示網(wǎng)絡(luò)預測的anchor偏置矩陣.

原損失函數(shù)因為缺乏對交并比（IoU）和最小外接矩形的計算，無法準確衡量預測框的位置.引入的CIoU 損失函數(shù)將預測框與真實框的交并比、最小外接矩形、幾何中心距離及長寬比例均納入邊界框回歸損失計算范圍，相較原損失函數(shù)能更加精確地衡量邊界框回歸性能.邊界框損失函數(shù)LCIoU定義如下：

其中ρ表示預測框b與目標框bgt幾何中心的距離；c表示預測框與目標框最小外接矩形的對角線長度.

3.3 快速非極大值抑制改進

YOLACT++采用快速非極大值抑制（Fast NMS）算法消除多余的候選框，獲得最終預測框，F(xiàn)ast NMS算法的具體步驟如下：

（1）根據(jù)類別得分取每個類別的前n（n=200）個候選框，并按照得分大小排序，按順序分別計算每個候選框與其他n- 1 個候選框的IoU 值，獲得一個維度為n×n的IoU對角矩陣Xij：

（2）保留矩陣Xij的上三角區(qū)域，主對角線和其余區(qū)域元素設(shè)置為0，公式為：

（3）在上三角矩陣Xij中保留各列方向的元素最大值，獲得維度為1 ×n矩陣Kij，即某一候選框與得分高的候選框做比較，取最大IoU值，公式為：

（4）利用閾值比較Kij＜t（t=0.5）來篩選需要保留的候選框.兩個候選框IoU 值大于閾值被認為重合度高，F(xiàn)ast NMS將大于閾值的候選框刪除，即：

Fast NMS 算法雖然會極大地降低候選框的冗余，但容易造成重疊率較高的不同實例目標候選框被誤刪除，使得部分相鄰的同類對象容易被視為一個實例.針對這一問題，本文在Fast NMS 計算中引入DIoU，DIoU的定義如下：

其中ρ表示候選框Bi與Bj中心點之間的歐式距離；C表示候選框Bi與Bj最小外接矩形的對角線長度.

通過比較圖5 中不同候選框的幾個位置，可以發(fā)現(xiàn)即使兩個候選框IoU 值相同，但對應(yīng)的DIoU 值均不同.中心點距離越近、外接矩形越小的候選框越容易判斷為同一實例的候選框，對應(yīng)的DIoU值也越大，可通過這一數(shù)據(jù)用于預測框的篩選.

圖5 不同候選框?qū)?yīng)IoU與DIoU值Fig.5 Different candidate boxes correspond to IoU and DIoU values

4 實驗

4.1 碧根果圖片采集與數(shù)據(jù)集建立

本研究以碧根果作為研究對象，對每顆碧根果采集3 個位置對應(yīng)不同角度的圖片，共采集1500張，并對圖片采用隨機翻轉(zhuǎn)、隨機裁剪、隨機亮度、色彩空間轉(zhuǎn)換這4 種數(shù)據(jù)增強技術(shù)，將數(shù)據(jù)集擴充到6000 張.用Labelme 標注工具完成圖像的標注工作，將圖像的語義分為4 類：背景、合格品、次品、回流品，對應(yīng)的標簽分別為background、qualified、scrap、backflow.其中合格品表示果殼存在裂口且核仁未破損，次品表示果殼和核仁大部分破損，回流品表示未破殼的碧根果.部分標注圖和數(shù)據(jù)增強圖片如圖6所示.

圖6 數(shù)據(jù)集處理Fig.6 Dataset processing

4.2 實驗環(huán)境

本文實例分割實驗硬件配置及軟件平臺如表1所示.

表1 實驗硬件平臺與軟件平臺Tab.1 Experimental hardware platform and software platform

4.3 實驗指標

選用AP（Average Precision）作為預測框和實例分割掩膜的評價指標.AP 計算如（26）~（28）式所示.由于IoU 閾值的選取會影響精確度和召回率大小，選用AP50（IoU=0.5），AP75（IoU=0.75），mAP（IoU=0.50：0.05：0.95）作為評價指標.

其中TP表示模型預測類別與真實標注類別匹配的樣本數(shù)量；FP表示模型預測類別與真實標注類別不匹配的樣本數(shù)量；FN表示預測為背景但真實標注為其他類別的樣本數(shù)量.

網(wǎng)絡(luò)模型復雜度采用參數(shù)量（Parameter）和浮點計算量（FLOPs）作為評價標準.對于一次卷積運算，其模型參數(shù)和浮點計算量公式如下：

其中Cin、Cout分別為輸入、輸出特征圖通道數(shù)，K為卷積核的大小，H×W為輸出特征圖的大小.由于激活函數(shù)（activation function）以及偏置（bias）等方面的不同，對FLOPs 的計算方式不盡相同.為便于對比分析，本文采用Pytorch 中的第三方庫thop 對模型參數(shù)量、浮點計算量進行統(tǒng)一計算.

4.4 實驗結(jié)果與分析

實驗數(shù)據(jù)集內(nèi)共包含碧根果樣本6000張，其中用作訓練集4800 張，測試集1200 張.訓練epoch 為800 次，GPU 每次處理4 張圖片，使用隨機梯度下降（SGD）作為訓練時的優(yōu)化器，初始動量設(shè)置為0.9，學習率為0.001，權(quán)重衰減系數(shù)0.0001.

4.4.1 參數(shù)量與計算量對比結(jié)果

主干網(wǎng)絡(luò)的改進將同一特征層的不同通道特征圖進行多次多尺度的特征融合，使得主干在充分提取圖片語義信息的同時造成主干網(wǎng)絡(luò)模型尺寸與參數(shù)的增加，邊界框回歸損失函數(shù)與Fast NMS 改進也在一定程度上增加了模型的計算量.網(wǎng)絡(luò)改進前后的參數(shù)量及總浮點運算量FLOPs 量化結(jié)果如表2 所示.可以看出網(wǎng)絡(luò)參數(shù)、模型大小、浮點運算量相較于改進前提升了9.8%、1.06%、6.7%.

表2 網(wǎng)絡(luò)改進前后參數(shù)量與計算量對比Tab.2 Comparison of parameters and FLOPS before and after network improvement

4.4.2 主干網(wǎng)絡(luò)改進前后熱力圖對比

采用Grad-CAM 生成主干網(wǎng)絡(luò)的熱力圖，對主干網(wǎng)絡(luò)的輸出進行可視化分析，主干網(wǎng)絡(luò)改進前后生成的熱力圖如圖7 所示.顏色越亮表示主干網(wǎng)絡(luò)對于該區(qū)域的關(guān)注力越強，原主干網(wǎng)絡(luò)關(guān)注的區(qū)域包含碧根果的部分區(qū)域和背景區(qū)域，存在關(guān)注區(qū)域錯誤的問題.改進的主干特征提取網(wǎng)絡(luò)增強了對圖像深層信息的提取能力，引入CBAM注意力機制，使得主干網(wǎng)絡(luò)更關(guān)注于碧根果區(qū)域，并極大地抑制了背景的干擾.

圖7 主干網(wǎng)絡(luò)熱力圖Fig.7 Backbone network heat map

4.4.3 網(wǎng)絡(luò)分割效果對比

損失值用來衡量網(wǎng)絡(luò)預測結(jié)果與標注之間的誤差，損失值越小表示模型預測性能越高，網(wǎng)絡(luò)每一次迭代訓練過程中生成損失值，并記錄于訓練日志中.網(wǎng)絡(luò)改進前后的掩膜損失函數(shù)相同，均采用預測掩膜與標注掩膜的二值交叉熵作為損失函數(shù).掩膜損失折線圖如圖8 所示，損失值隨著迭代次數(shù)的增加而下降，原網(wǎng)絡(luò)進行800 次迭代后loss 值穩(wěn)定在0.52 左右.改進后網(wǎng)絡(luò)損失值最終穩(wěn)定在0.22左右.

圖8 掩膜損失值曲線Fig.8 Mask loss value curve

從測試集中選擇不同條件下的圖片測試模型改進前后分割效果.圖9 顯示出原YOLACT++網(wǎng)絡(luò)實例掩膜會受到預測框區(qū)域的限制，本文算法采用CIoU 作為邊界框回歸損失函數(shù)，提升邊界框回歸精度.原算法對傳送帶上的陰影與臟污容易造成邊緣分割錯誤，對果殼掉落與多果情況，存在果殼重疊造成分割區(qū)域識別錯誤的問題，本文提出改進的主干特征提取網(wǎng)絡(luò)，在加強網(wǎng)絡(luò)對于圖像深層信息的提取能力同時使得主干網(wǎng)絡(luò)更關(guān)注于碧根果區(qū)域，減少背景干擾，增強掩膜分割的準確率.對于碧根果堆疊情況，原算法缺乏對預測框中心距離考量，重合度高的碧根果預測框被刪除，造成部分堆疊的碧根果被識別為同一個實例.采用改進后的Fast NMS 能保留更多的候選框進行判斷，一定程度上解決了部分重疊目標預測框被誤刪除的問題.

圖9 不同情景下的分割結(jié)果Fig.9 Segmentation results in different scenarios

4.4.4 不同改進點對比

為了驗證不同改進點的有效性，本文做了8 組對比實驗，對比結(jié)果如表3 所示.通過對比實驗1 和實驗2 可以發(fā)現(xiàn)主干網(wǎng)絡(luò)中改進的Res2Net 模塊的引入使得預測框與掩膜的mAP 有部分提升，分別提升1.79%，1.88%.對比實驗1 與實驗6 可以發(fā)現(xiàn)邊界框回歸損失與非極大值抑制的改進使得預測框的mAP有顯著提升，預測框mAP提升4.91%.對比實驗1 與實驗8，相較于原算法在預測框mAP 與掩膜mAP 上分別提升5.49%與5.18%，但速度上降低了6.5FPS.

表3 不同改進點的實驗對比結(jié)果Tab.3 Experimental comparison results of different improvement points

4.4.5 樣本等級預測實驗

為了驗證網(wǎng)絡(luò)改進前后碧根果的分級效果，將4 個等級的碧根果樣本送入訓練好的模型中進行等級預測實驗，樣本等級預測結(jié)果如表4、表5所示.碧根果分級標準如下：1 級（長大于45mm，寬大于26mm）、2級（長大于40mm小于45mm，寬大于21mm小于26mm）、3 級（長大于35mm 小于40mm，寬大于15mm 小于21mm）、4 級（長小于35mm，寬小于15mm）.

表4 網(wǎng)絡(luò)改進前碧根果分級召回率與精確率Tab.4 Recall and precision of pecans classification before network improvement

表5 網(wǎng)絡(luò)改進后碧根果分級召回率與精確率Tab.5 Recall and precision of pecans classification after network improvement

原網(wǎng)絡(luò)分割出的碧根果掩膜受到打光陰影及預測框的影響較大，進而影響到掩膜的區(qū)域，造成果長、果徑測量失誤，導致分級準確率較低.改進后的網(wǎng)絡(luò)極大抑制了背景陰影的干擾，提高了預測框的精度，使得碧根果的分級準確率得以提升.

4.4.6 不同算法對比

為進一步驗證本文算法的實例分割效果，將本文算法與當前先進的實例分割算法進行對比，利用碧根果數(shù)據(jù)集分別對Mask R-CNN、BlendMask、Deep Snake、SOLOv2、YOLACT++與本文算法進行訓練，用訓練好的模型驗證碧根果的檢測與分割效果.訓練結(jié)果對比如表6 所示.從表6 可以看出，本文算法掩膜mAP 相較于相較Mask R-CNN、BlendMask、Deep Snake、SOLOv2 分 別 高 出4.40%、6.07%、5.46%、1.38%，預測框mAP 相較于Mask R-CNN、BlendMask 分別高出4.76%、3.84%.在對比6 種算法的檢測效果圖可以看出，Mask R-CNN分類準確率較高，但碧根果堆疊時存在單個實例檢測錯誤的問題.YOLACT++算法預測框的回歸存在較為明顯的問題.Deep Snake 算法對于邊緣細節(jié)的精確度較低.BlendMask 與SOLOv2 能夠較為準確地識別單個實例，但存在邊緣誤分割問題.本文算法在YOLACT++的基礎(chǔ)上增強主干特征提取能力，改進了檢測框的檢測精度，進而提升了掩膜分割精度.

表6 不同算法數(shù)據(jù)對比Tab.6 Data comparison of different algorithms

4.4.7 公共數(shù)據(jù)集對比實驗

MS COCO數(shù)據(jù)集是微軟開發(fā)維護的大型圖像數(shù)據(jù)集.本實驗采用COCO2017實例分割數(shù)據(jù)集進行實例分割算法對比實驗，該數(shù)據(jù)集提供了80個類別的數(shù)據(jù)及對應(yīng)標簽.本文在訓練時盡可能保證主干網(wǎng)絡(luò)相同、避免引入任何訓練技巧，以達到算法性能比較的公平性，訓練結(jié)果如表7所示.由于COCO數(shù)據(jù)集圖片相較于碧根果數(shù)據(jù)集具有更加復雜的背景，實例目標的尺寸和數(shù)目差異較大，導致掩膜平均精度低于碧根果數(shù)據(jù)集.APS、APM、APL表示對小尺寸（面積小于322像素）、中尺寸（面積大于322像素小于962）、大尺寸（面積大于962像素）的目標分別計算掩膜平均精度.可以看出改進后的YOLACT++算法對于不同尺寸的實例掩膜平均精度相較改進前均有所提升，且精度略高于BlendMask等先進算法.本文算法掩膜mAP值相較于Mask R-CNN、YOLACT++、BlendMask、Deep Snake、SOLOv2 分 別 高 出3.20%、4.91%、1.51%、3.79%、1.31%，網(wǎng)絡(luò)具有較高的泛化性.

表7 公共數(shù)據(jù)集實例分割對比實驗Tab.7 Comparison experiment on instance segmentation of public data set

5 結(jié)論

本文分析了碧根果自動化加工生產(chǎn)線上的關(guān)鍵問題，提出了一種基于YOLACT++改進的實例分割算法用于碧根果的檢測任務(wù)，采用數(shù)據(jù)增強完成碧根果數(shù)據(jù)集的擴充.在YOLACT++主干網(wǎng)絡(luò)引入改進的Res2Net 模塊，加深了主干網(wǎng)絡(luò)模型對于碧根果圖像的信息提取能力，使得網(wǎng)絡(luò)的關(guān)注區(qū)域更集中于碧根果區(qū)域，改善了傳送帶陰影或臟污被錯誤識別的問題.邊界框回歸中引入CIoU 損失函數(shù)，改善了邊界框預測不精確的問題.并將DIoU 與Fast NMS 結(jié)合，解決部分重疊度高的候選框丟失造成的碧根果誤檢問題.通過測試實驗結(jié)果表明，訓練出的模型在處理背景臟污、碧根果堆疊和果殼脫落等圖片時均有較好的檢測效果，改進的算法在碧根果數(shù)據(jù)集上的預測框mAP 達到67.21%，掩膜mAP 達到了65.81%，相較于原始網(wǎng)絡(luò)平均精度分別提升了5.49%，5.18%，分級準確率達到98.5%，可以滿足工業(yè)現(xiàn)場需求.改進的算法應(yīng)用于公共數(shù)據(jù)集，相較于Mask R-CNN、BlendMask、Deep Snake、SOLOv2、YOLACT++具有更好的分割效果，因此本文算法具有良好的泛化性，也可應(yīng)用于其他數(shù)據(jù)集.