1.一种深度学习与图像处理相结合的猪胴体背膘厚度测量位置自动定位方法，其特征在于，步骤如下：步骤1：通过图像采集设备获取猪肉二分体剖面的图像数据，并将图像数据预处理为深度学习输入所需要的数据集；

步骤2：基于SE模块与AG模块设计注意力融合模块以增强特征提取能力；

基于SE模块与AG模块设计注意力融合模块，SE模块与AG模块为并联连接；数据集中猪肉二分体图像输入到U‑Net网络后，编码网络中每层下采样之前的卷积特征图为SE模块的输入，SE模块对输入的卷积特征图先采取全局平均池化得到一个1×1×c的向量，c为输入特征图的通道数，只留下各通道的维度信息；然后通过自学习得到每个通道的权重，最后卷积特征图与对应的通道权重相乘得到加权后的特征图；AG模块的输入除编码网络中每层下采样之前的卷积特征图之外，还引入了编码网络对应层的解码网络中上采样之前的高维特征图，高维特征图作为AG门控信号对编码网络中的低维卷积特征图进行指导，并将上采样后的高维特征图与输入卷积特征图相加，然后进行卷积激活操作，最后将结果与输入的卷积特征图逐点相乘得到加权后的特征图；

步骤3：在U‑Net网络结构中引入注意力融合模块，构建融合注意力猪胴体胸腔分割模型；

以U‑Net为主干网络，引入步骤2设计的注意力融合模块；每层卷积特征图经过SE模块后再进行下采样，相同的卷积特征图经过AG模块后通过每层跳跃连接路径拼接到解码网络中，并将对应层的解码网络中上采样之前的高维特征图输入到AG模块中，对跳跃连接路径上的信息做指导；

构建完成的融合注意力猪胴体胸腔分割模型由Unet卷积块、注意力融合模块、下采样、上采样、跳跃连接以及AG信号组成，利用步骤1制作的数据集对融合注意力猪胴体胸腔分割模型进行训练，训练完成后实现对猪胴体的胸腔识别与分割，得到猪胴体胸腔掩膜图像；

步骤4：设计特征解析模块，解析特征点位置，计算肋骨间距和定位背膘厚度测量位置；

特征解析模块包括胸腔轮廓检测单元、特征点定位单元、肋骨提取单元和测量位置定位单元，其中，胸腔轮廓检测单元通过边缘检测方法检测掩膜中胸腔区域的轮廓，得到数据集中猪肉二分体图像胸腔部位的轮廓坐标集合，通过遍历的方式的得到轮廓的顶部点和底部点，将胸腔轮廓切分为胸骨侧和胸椎侧两个集合；

特征点定位单元以滑动窗口的方式遍历胸骨侧轮廓坐标点集合，计算窗口两端的坐标点所构成直线的斜率，其中斜率最大的直线所对应的两点中位于窗口左端的点为特征点；

肋骨提取单元通过概率霍夫直线检测将肋骨细化为一条线段，计算所有线段的斜率以及相邻两直线之间的间距，得到肋骨的平均斜率和间距；

测量位置定位单元通过遍历胸椎侧坐标点集合找到定位点，该定位点与特征点构成的直线斜率与肋骨斜率相同，定位点根据肋骨间距在纵坐标上向下偏移即得到了背膘厚度测量位置；

步骤5：对分割模型及背膘厚度测量位置定位准确性进行测试和评估。

2.根据权利要求1所述的深度学习与图像处理相结合的猪胴体背膘厚度测量位置自动定位方法，其特征在于，步骤1中，猪肉二分体为猪胴体沿着脊柱中线纵向锯成两半；

数据预处理包括如下步骤：

1‑1、调整图像尺寸，原始图像为宽、高为3500×3000的三通道数据，以宽为边长将图片填充为3500×3500的正方形，然后缩放为250×250的三通道数据；

1‑2、标注多边形掩膜图像，掩膜图像内容包括背景、胸腔以及肋骨，其中背景像素值为

0，肋骨像素值为255，除肋骨外的胸腔区域像素值为125。