近年来，基于机器视觉的农作物外观质量检测越来越受到人们的关注。在抽样检验表上，由于稻谷可能相互接触和粘附，如果采集到的图像未经分割和预处理，将导致后续稻米外观质量评估出现错误。因此，本实验提出了一种改进的基于Mask r-CNNRice的InstNet的示例分割网络，用于粘连稻谷的图像分割。主干网络由两个改进的VoVNetV2网络并行组成，不仅在很大程度上降低了网络参数，而且加强了粘连稻谷图像的特征提取。此外，在掩模分支上增加了学习物体边界的子网络，利用边界特征丰富掩模特征，提高掩模预测精度。实验结果表明，该网络可以实现稻米的实例分割。与Mask r-CNN网络相比，Rice和召回率的改进网络模型InstNet的平均准确率分别从87.2%和89.7%提高到90.4%和93.7%。同时，网络模型更轻，非常适合集成到移动终端或嵌入式设备中。