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，同时减少了对标签的依赖，允许模型具有一定程度的不确定性， 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， 智能识别新模型可减少机器采摘菠萝损伤率 近日。

其掩码平均精度(iou=50)达到81.42，团队还设计了一种混合监督学习方法， 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，减少无关背景信息的干扰，有效降低了机器人手臂抓取过程中的果实损伤率，imToken钱包，能更精准地识别菠萝目标区域，以快速提取菠萝的位置和几何信息，以快速提取菠萝的位置和几何信息，（来源：中国科学报 李晨） ， 该方法在保持模型大小仅为26.5MB的前提下，与最先进方法相比，该方法在骨干网络为 MAISNET 的情况下。

该论文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，增强了模型识别遮挡区域的能力， 使用机器人和计算机系统自动收获菠萝时， 相关研究成果发表于《人工智能工程应用》（Engineering Applications of Artificial Intelligence）， 副教授 林聪与 副研究员 薛忠为共同通讯作者，单哲为论文第一作者， 同时，有效降低了机器人手臂抓取过程中的果实损伤率。

检测平均精度(iou=50)达到 89.48，此外，实现了每秒50帧以上的高识别速度，该网络引入了掩蔽的自我注意力模块，中国热带农业科学院南亚热带作物研究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，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，。