基于U-Net 神经网络的禽翅图像分割方法
DOI:
https://doi.org/10.71411/ai.2025.v1i1.1133关键词:
禽翅, 图像分割, 深度学习, U-NET摘要
以家禽为研究对象，提出一种基于U-Net 神经网络的禽翅图像分割算法。采集家禽样本图像，经预处理、归一化后，建立家禽图像数据集。先将家禽图像进行卷积和池化，对特征图通过反卷积操作进行上采样，再把上采样结果和对应大小的下采样结果进行融合，从而实现家禽图像语义分割；采用分割精度（ACC）、Dice 系数、交并比（IOU）3 种指标判断网络的分割性能。山鸡、芦花鸡、麻鸭和大石鸡家禽在评估指标上结果与乌鸡类似，乌鸡试验结果表明：U-Net 分割禽翅图像ACC、Dice 系数、IOU 分别为93.64%，87.52%，81.24%。对比3种经典图像语义分割方法SegNet、FCN-16s、FCN-8s，U-Net 的交并比（IOU）较上述3 种方法分别高出15.83%、8.89%、8.12%，Dice 系数高出上述3 种方法8%左右，分割精度（ACC）分别提高了6.7%、3.12%、2.57%，且U-Net 在分割时间上较其他3 种方法较优，平均运行时间达到0.13s 左右，比次优的SegNet 方法缩短50ms左右。
参考
[1] 王新鑫. 基于深度学习的畜禽动物图像识别技术研究及移动端应用[D]. 沈阳: 沈阳化工大学, 2023.
[2] 蔡璐. 基于三维点云与机器视觉的家禽胴体切割技术研究[D]. 武汉: 武汉轻工大学, 2024.
[3] 彭先辉. 基于视觉引导的鸡部位在线切割系统的研究[D]. 武汉: 武汉轻工大学, 2024.
[4] 陈艳. 基于机器视觉的家禽机械手掏膛及可食用内脏分拣技术研究[D]. 武汉: 华中农业大学, 2018.
[5] 陶凯. 基于机器视觉的家禽屠宰净膛系统的设计与试验[D]. 武汉: 华中农业大学, 2018.
[6] 王树才, 陶凯, 李航. 基于机器视觉定位的家禽屠宰净膛系统设计与试验[J]. 农业机械学报, 2018, 49(01):335-343.
[7] 冯科. 禽翅自动分割系统设计与试验[D]. 武汉: 武汉轻工大学, 2023.
[8] 张傲. 基于图像处理技术研究鸡胴体重精准测定方法[D]. 扬州: 扬州大学, 2024.
[9] 赵宁, 李星, 江勇, 等. 图像识别技术在鸡养殖领域的应用[J]. 中国农业科技导报, 2023, 25(09): 13-22.
[10] 姚超, 倪福川, 李国亮. 基于深度学习的图像分割在畜禽养殖中的应用研究进展[J]. 华中农业大学学报,2023, 42(03): 39-46.
[11] 王硕. 基于深度学习的异源图像匹配算法与畜禽目标双目视觉定位系统开发[D]. 天津: 天津理工大学,2021.
[12] 庞明明, 杨矗. 基于U-Net 网络的医学图像分割算法应用[J]. 电子技术, 2025, 54(02): 98-99.
[13] 卜文斌, 游福成, 李泉, 等. 一种基于大津法改进的图像分割方法[J]. 北京印刷学院学报, 2015, 23(04):76-78+82.
[14] Goyal M, Yap M H. Multi-class Semantic Segmentation of Skin Lesions via Fully Convolutional Networks[J]. arXiv preprint arXiv:1711.10449, 2017.
[15] Zhou X, Ito T, Takayama R, et al. Three-Dimensional CT Image Segmentation by Combining 2D Fully Convolutional Network with 3D Majority Voting[J]. Springer International Publishing, 2016.
[16] Long J, Shelhamer E, Darrell T. Fully Convolutional Networks for Semantic Segmentation[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2015, 39(4):640-651.
[17] Boudra Safia, Yahiaoui Itheri, Behloul Ali. Tree trunk texture classification using multi-scale statistical macro binary patterns and CNN[J]. Applied Soft Computing Journal, 2022(118-).
[18] Azadnia R, Jahanbakhshi A, Rashidi S, et al. Developing an automated monitoring system for fast and accurate prediction of soil texture using an image-based deep learning network and machine vision system[J]. Measurement, 2022(190-): 190.
[19] Gonçalves Juliano P, Pinto Francisco A C, Queiroz Daniel M, et al. Deep learning architectures for semantic segmentation and automatic estimation of severity of foliar symptoms caused by diseases or pests[J]. Biosystems Engineering, 2021, 210: 129-142.
[20] Ryu S M, Shin K, Shin S W, et al. Enhancement of evaluating flatfoot on a weight-bearing lateral radiograph of the foot with U-Net based semantic segmentation on the long axis of tarsal and metatarsal bones in an active learning manner[J]. Computers in biology and medicine, 2022, 145: 105400.
[21] Frédéric Claux, Baudouin M, Clément Bogey, et al. Dense, deep learning-based intracranialaneurysm detection on TOF MRI using two-stage regularized U-Net[J]. Journal of neuroradiology = Journal de neuroradiologie, 2023, 50(1): 9-15.
[22] 梅光. 基于改进U-Net 卷积神经网络的数字图像智能分类方法[J]. 长江信息通信, 2024, 37(10): 57-59.
[23] 杨鹏程, 张津京, 李小成, 等. 改进U-net 神经网络的干涉图像齿面域分割方法[J]. 西安工程大学学报, 2024, 38(06): 90-97.
[24] 梅迪. 应用于图像语义分割的神经网络——从SegNet 到U-Net[J]. 电子制作, 2021, (12): 49-52.
下载
已出版
期次
栏目
许可协议
版权所有 (c) 2025 人工智能学刊
This work is licensed under a Creative Commons Attribution 4.0 International License.
