近日，我院刘同海教授团队在农林科学领域国际期刊《Computers and Electronics in Agriculture 》（中科院一区，Top期刊，IF=7.7）上发表了题为“BEGV2-UNet: A method for automatic segmentation and calculation of backfat and eye muscle region in pigs”的最新研究成果，第一作者刘文正为我校智慧农业创新团队在读硕士研究生，刘同海教授为通讯作者。该成果的主要亮点包括：开发了用于分割猪背膘和眼肌区域的模型；BEGV2-UNet 改进了分割网络，将 MIoU 提高至 96.18%；BEGV2-UNet 模型大小缩减至 18.69 MB，提高了模型的轻量化程度；实现了计算背膘厚度和眼肌面积的方法。
文章梗概
本研究提出了一种名为 BEGV2-UNet 的深度学习模型，用于种猪背膘厚度和眼肌面积的自动分割与计算。这两个性状对种猪育种性能至关重要，影响仔猪的产仔数、初生重及存活率。然而，传统测量方法依赖人工操作，耗时且精度受限，而B超机虽广泛应用，但成像质量和测量精度仍受人为因素影响。
为解决这些问题，本研究基于UNet 结构改进，提出 BEGV2-UNet，并进行优化：(1) GhostModuleV2 取代传统卷积，减少冗余计算，降低模型参数量；(2) 引入大核注意力机制（LKA），增强对背膘和眼肌区域边界的捕捉能力，提高分割精度；(3) 结合 Dice 损失和 Focal 损失，优化类别不均衡问题，加速收敛。
实验结果表明，BEGV2-UNet 在超声图像数据集上的 MIoU 达 96.18%，MPA 达 98.12%，且模型大小缩减至 18.69MB，显著提升轻量化程度。此外，计算的背膘厚度和眼肌面积的 R2值分别达 0.98 和 0.96，与真实测量高度吻合。进一步实验表明，512×512 为最佳输入尺寸，在保证精度的同时降低计算开销。此外，本研究开发了计算背膘厚度和眼肌面积的方法，并结合 BEGV2-UNet 进行验证，取得高精度计算结果。
综上，BEGV2-UNet 在背膘和眼肌区域的自动分割与测量方面表现优越，为种猪育种提供了一种高效、精准的智能测量工具，有助于提升养殖管理的精准化水平。
图1 BEGV2-UNet分割模型框架
图2 背膘区和眼肌区标记示意图。1是背膘的起始点，2是背膘的终点，3是眼肌区域
图3 改进的BEGV2-UNet网络结构
图4 Ghost Module结构
图5 DFC注意力机制结构
图6 模型训练与性能分析：(a) 训练和验证损失曲线；(b) 背膘厚度和眼肌区的IoU和mIoU指标；(c) 各轮次的MPA、FWIoU和DC指标；(d) 原始版本和改进版本的模型和参数大小对比。
图7 分割任务中模型推理性能比较
图8 背膘厚度和眼肌面积的计算
该研究成果的发表不仅为我校的农业工程学科的发展增添亮点，也为智慧农业及智能装备产业发展提供了一种新思路、新方法。
原文链接：https://doi.org/10.1016/j.compag.2025.110272
文字：郑世艳 审校:卫勇 姜永成
