近日，信息科学与工程学院可视化与智能交叉科研创新团队设计了一种适于复杂果园环境下绿色目标果实实例分割的优化PolarMask算法，有效提高同色系目标的分割精度。研究成果以“Polar-Net: Green fruit instance segmentation in complex orchard environment”为题发表在Frontiers in Plant Science。

为解决同色系目标的分割难题，降低同色系目标的漏识或误识率，以期提高同色系目标的识别精度，课题组提出优化的PolarMask模型，将实例分割问题转化实例中心分类和回归预测实例轮廓两部分。借助DenseNet主干网络进行特征提取，构造FPN+RPN架构对于不同尺度特征的提取以及判别。头部网络包含两个分支：分类分支，由类别分类和极点中心两部分构成，实现对于实例的分类，并生成极点中心；回归分支，实现对于极坐标下建模并生成实例轮廓。实验结果表明，在构造的绿色柿子数据集上，新算法的平均检测精度为69.8%，平均分割精度为65.1%。该成果以期为其他绿色目标果实的检测、分割提供理论借鉴。

该成果是由枣庄学院、山东师范大学、江苏大学共同完成，枣庄学院为第一单位，信息科学与工程学院副教授董西尚为文章通讯作者。该研究工作得到了国家自然科学基金、山东省自然科学基金等项目资助。

文章链接地址：https://www.frontiersin.org/articles/10.3389/fpls.2022.1054007/full