中国科学院发布了一篇关于番茄缺陷检测与分级的研究论文，提出了一种基于机器视觉的实例分割框架(YOLO-ALDS)。该框架结合主动学习(AL)和改进的YOLO-DS模型，实现了番茄表面缺陷的自动分割与分级。为了降低标注成本并提高标注效率，研究团队采用了不确定性和多样性驱动的主动学习(UDAL)策略来选择信息量最大的缺陷样本。同时，通过在主干网络中引入动态卷积模块和新颖的SlideLoss函数，优化了对难分割实例的处理。
实验结果显示，YOLO-ALDS框架将人工标注工作量减少了40%以上，并在mAP@0.5指标上达到了84.1%，比传统的YOLO11高出0.8%。此外，对白色缺陷、增生和裂纹的检测性能分别提升了1.2%、1.7%和3.7%。基于该模型开发的智能番茄分级系统实现了超过96%的实际分类准确率，展示了其在农业自动化领域的巨大应用潜力。
该研究方法相比主流分割网络表现出显著的性能优势，突显了其在实际农业生产中的应用价值。
