大米是我国三大粮食作物之一,在人民的日常饮食中占有举足轻重的地位。随着生活水平的提高,人们开始重视健康饮食,对优质大米的需求与日俱增。因此,大米品质的检测和判别变得尤为重要。大米外观作为评价大米品质的关键指标,主要是对大米数量、碎米、黄米和垩白米等进行统计判别。传统的判别方法是人工判别,检测结果缺乏客观性和科学性。随着计算机技术的广泛应用和图像处理算法的飞速发展,基于机器视觉的大米外观品质检测已经成为当前主流的检测方法。相比传统的人工判别,机器视觉检测技术的优点是精度高、速度快、可重复性强。然而在使用机器视觉技术对抽样米粒进行各种外观指标的检测时,由于米粒被随机摆放在检测台上,会不可避免地发生相互触碰,由此造成在图像预处理时获取的米粒轮廓线粘连在一起,从而在后续的检测中被误判为一颗米粒。这不仅会影响大米数量的统计,也会使碎米率、黄米率和垩白米率等外观指标出现偏差。由此可见,正确分割粘连米粒是对大米外观品质进行精确分析的先决条件。近些年,以深度学习为代表的人工智能技术飞速发展,并广泛应用于医学、无人驾驶、安防、工业检测等领域,但在传统农业上的应用较少。因此本文以大米外观品质检测和深度学习为背景,分别采用双阶段实例分割算法和单阶段实例分割算法对粘连米粒的分割进行了研究,主要的研究内容如下:（1）针对双阶段实例分割算法Mask R-CNN进行若干改进,提出了一个轻量级的粘连米粒实例分割网络Rice Inst Net。Rice Inst Net首先通过减少特征提取网络Vo VNet V2卷积层数量和通道数量,进行网络轻量化设计,然后采用两个调整后的Vo VNet V2网络并行作为主干网络,在大规模减少网络参数的同时加强对粘连米粒图像的特征提取。另外在掩膜分支上增加了一个学习物体边界的子网络,利用边界特征丰富掩膜特征促进高质量掩膜的生成,同时针对边界学习任务对损失函数进行了优化。实验结果表明,与原始的Mask R-CNN相比,Rice Inst Net模型拥有更高的分割性能,并且网络参数量较低,具备应用到移动嵌入式大米外观品质检测设备上的能力。（2）针对单阶段实例分割算法SOLOv2在密集场景下存在小目标分割精度不高的问题,提出了一种损失反馈的碎米小目标实例分割网络FD-SOLOv2。一方面,采用下采样图像拼接的方式增加数据集中小目标样本的分布,并使用小目标损失比例作为训练过程中的反馈信号指导网络输入进行下一次迭代更新。另一方面,对特征金字塔网络进行了优化,集成上下文注意模块CAM和空间注意力模块SAM来寻找密集场景下的感兴趣区域,通过增强上下文信息、帮助目标聚焦和抑制噪声,获得小目标更多的细节信息。实验结果表明,FD-SOLOv2模型能够显著提高碎米小目标的分割精度,与其他代表性实例分割算法相比,在分割性能和速度之间达到了均衡。