疏果是精品葡萄管理中一项重要的任务，在疏果过程中需要对单个葡萄串计数以确定需要疏除的果粒数。随着人口老龄化的严重，加之熟练的疏果技术工人短缺，大规模葡萄园疏果期难以短期内找到足够的熟练果农，因此亟需设计一种疏果机械代替人工实现重复而繁琐的体力劳动。作为葡萄疏果机械中的重要组成部分，机器视觉系统能够统计单串葡萄果粒数量并定位需要去除的果粒。为了对葡萄疏果检测提供决策依据，本文基于AS-SwinT模型提出了一种葡萄果粒实例分割与单串果粒计数方法。该模型以Swin Transformer做为骨干网络，提取葡萄果粒的丰富特征。在颈部网络中引入自适应特征融合ASFF，以充分保留底层特征，提高小果粒的检测能力。并对每个果粒的大小进行统计分析，对锚框尺寸进行优化以提高葡萄果粒的定位精度，使用Soft-NMS过滤候选框，减少密集遮挡果粒的漏检，进而提高整体葡萄串中葡萄果粒的检测精度。通过消融试验与对比实验可知，AS-SwinT在迁移学习下可以达到65.7，95.0，57.0，62.8，94.3，48，明显优于Mask R-CNN、Mask Scoring R-CNN和Cascade Mask R-CNN。在该模型的果粒计数与真实计数的误差方面，该模型的RMSE和R²分别为7.13和0.95，其线性回归结果与人工环境下的模型训练数据集的结果相当。因此，该模型对自然环境中的单串葡萄果粒的实例分割具有较强的鲁棒性。

图1 AS-SwinT网络结构

图2 骨干网络结构。(A)Swin Transformer结构 (B)Swin Transformer模块

图3 颈部网络的对比。(A)FPN结构。(B) AS-SwinT中的ASFF结构。

图4 葡萄果粒尺度统计。(A)、(B)、(C)和(D)分别为数据集中葡萄果粒的宽度、高度、宽高比和面积的数量统计。

图5 不同模型的mAP0.5曲线。(A)和(B)分别为训练过程中所有模型的和曲线。

图6 自然环境下不同模型的检测样例对比。(A)Mask R-CNN (B)Mask Scoring R-CNN (C)Cascade Mask R-CNN (D)AS-SwinT

图7 自然背景下不同模型的线性回归对比。(A)Mask R-CNN (B)Mask Scoring R-CNN (C)Cascade Mask R-CNN (D)AS-SwinT