用于增强鸡肉实例分割的人工合成数据增强

家禽行业由肉鸡生产驱动，已发展成为全球最大的动物蛋白行业。自动检测屠宰场中的鸡肉整块是屠宰场和禽肠加工厂中进行质量控制、食品安全和运营效率的关键。然而，在这些高速工业环境中开发健壮的深度学习模型进行实例分割，常受制于需要获取和标注大规模真实世界图像数据集的艰巨工作量。我们提出了首个生成逼真且自动标注鸡肉整块人工合成图像的管道。我们还引入了一个新的基准数据集，包含300个标注好的真实世界图像，专为禽肠分割研究而精选。使用这些数据集，本研究探讨了人工合成数据和自动数据标注在鸡肉实例分割中的有效性，尤其是在来自加工线的真实标注数据稀缺时。评估了不同比例的合成图像与小型真实数据集在主要实例分割模型中的表现。结果表明，人工合成数据在所有模型中均显著提升了鸡肉整块的分割性能。这一研究凸显了人工合成数据增强作为一种可行且有效的策略的价值，以缓解数据稀缺问题，减少手动标注工作量，并推动开发面向禽肠加工行业的鲁棒AI驱动的自动检测系统的发展。