La popularidad de está aumentando debido a su sabor único y valor nutricional. La tapa es un aspecto clave del proceso de crecimiento, y la observación de alto rendimiento de rasgos de la tapa en invernaderos mediante visión artificial es una tendencia de desarrollo futuro de la agricultura inteligente. Sin embargo, la segmentación de la tapa es extremadamente desafiante debido a su similitud en color con el resto del champiñón y a la ocurrencia de oclusión mutua, lo que presenta un gran obstáculo para la aplicación efectiva de la tecnología de automatización. Para abordar este problema, proponemos una red de segmentación de instancias mejorada llamada R-CNN (AC R-CNN) basada en el modelo Mask R-CNN. AC R-CNN incorpora convolución dilatada híbrida (HDC) y módulos de atención en la red de extracción de características para mejorar la segmentación de las tapas de champiñones adhesivos y centrarse en los objetos de segmentación. Además, el módulo de Rama de Máscara se reemplaza con PointRend para mejorar la precisión de segmentación de bordes de las tapas de champiñones. Estas modificaciones resuelven efectivamente los problemas de la incapacidad del algoritmo original para segmentar tapas adhesivas y la baja precisión en la segmentación de bordes. Los resultados experimentales demuestran que AC R-CNN supera al Mask R-CNN original en cuanto a rendimiento de segmentación. La precisión promedio (AP) se mejora en un 12.1%, y el puntaje F1 se mejora en un 13.7%. Además, AC R-CNN supera a otras redes como Mask Scoring R-CNN y BlendMask. Por lo tanto, los hallazgos de esta investigación pueden satisfacer los requisitos de segmentación de alta precisión de las tapas y sentar una base teórica para el desarrollo de dispositivos de fenotipado inteligente y robots de cosecha posteriores.