近日，中国热科院南亚所旱作农业工程团队在基于混合监督学习的菠萝智能识别算法方面取得新进展。使用机器人和计算机系统自动收获菠萝时，果园中不同的光照条件复杂的环境和遮荫对准确、实时的菠萝识别和定位提出了重大挑战。该团队设计了一个基于混合监督学习（MIset）的掩蔽自关注实例分割网络，以快速提取菠萝的位置和几何信息，有效降低了机器人手臂抓取过程中的果实损伤率。同时，网络引入了掩蔽的自我注意力模块，能更精准地识别菠萝目标区域，减少无关背景信息的干扰。此外，团队还设计了一种混合监督学习方法，允许模型具有一定程度的不确定性，增强了模型识别遮挡区域的能力，同时减少了对标签的依赖。

该方法在保持模型大小仅为26.5MB的前提下，实现了每秒50帧以上的高识别速度。与最先进方法相比，该方法在骨干网络为 MAISNET 的情况下，其掩码平均精度(iou=50)达到81.42，检测平均精度(iou=50)达到 89.48。

图1.掩码自注意模型

图2.不同模型对菠萝数据集的可视化分割结果

相关研究成果以"Towards mechanized harvesting of pineapples: A masked self-attention instance segmentation network and pineapple detection dataset"为题发表于《Engineering Applications of Artificial Intelligence》。该论文的第一完成单位为中国热带农业科学院南亚热带作物研究所/农业农村部热带果树生物学重点实验室，单哲为论文第一作者，林聪副教授与薛忠副研究员为共同通讯作者。该项工作得到海南省重点研发、“十四五”广东省农业科技创新十大主攻方向“揭榜挂帅”等项目的资助。

论文链接: https://doi.org/10.1016/j.engappai.2025.111162