真姬菇作为我国工厂化食用菌产业的核心品种，凭借独特口感与丰富营养成为高端食材市场的重要选择，而有效芽量是决定其最终产量与品质的关键因素。长期以来，真姬菇原基生长监测主要依靠人工巡检，不仅劳动强度大、缺乏实时反馈，还容易因主观判断产生误差，无法满足规模化、特别是智能化栽培的需求。同时，真姬菇原基具有体型微小、分布密集、形态相近、背景菌丝复杂、对比度低等特点，且生长环境复杂、高度潮湿，传统检测方法漏检率高、误判严重，行业长期缺少稳定高效的自动化检测方案。

图1数据采集方案设计

为破解这一技术瓶颈，团队构建了低成本食用菌表型图像采集装置，在食用菌工厂化生产菇房开展长期的实地数据采集，构建了包含约20万标注实例的真姬菇原基基准数据集，填补了该领域大规模标准数据的空白。在此基础上，团队创新提出RSL-YOLOv8m-seg分割框架，通过CLAHE图像增强技术优化图像质量，融合自研RFCA_Plus特征提取模块、SKAttention自适应感受域机制与SPPF_LSKA轻量级大核注意力模块，大幅提升模型对微小、密集、低对比度原基目标的特征提取与分割鲁棒性。同时，团队结合凸包拟合算法，实现了有效芽原基轮廓的精准重构及有效芽量的科学判断，完成从简单计数到有效芽量化的技术升级。

图2 RSL-YOLOv8m-seg的架构

实验结果表明，该模型在工厂化场景下实现mAP@0.5达68.1%，较基线模型提升1.9个百分点；精确率为85.2%，漏检率由25.9%降至6.8%，降低了19.1个百分点。综合性能优于Mask2Former、SOLOv2、RT-DETR以及YOLOv5至YOLOv12等主流模型，推理速度快，符合生产实际的轻量化部署要求，能够稳定适配工厂化栽培环境。

 

此项研究是国际上首次将深度学习用于真姬菇原基识别与形态分析，不仅提出了面向农业密集小目标的分割新架构，还建立了有效芽量判定新方法，为食用菌工厂自动化实践、智能环境调控、精准栽培管理提供核心技术支持，有力推动智慧农业与精准食用菌育种的高质量发展。

 

该研究得到上海市科委创新行动计划（农业领域）、上海市农委科技创新项目资助。基于该成果相关技术，团队与上海食用菌企业研发了我国首套基于AI的海鲜菇菇房环境智能控制系统，构建食用菌智慧栽培全新技术范式，目前正推动相关技术从上海示范应用向江西、安徽等多地辐射推广。（来源：上海第二工业大学智能制造与控制工程学院）