1.一种基于深度学习的鸡胴体缺陷高光谱图像检测方法，其特征在于，步骤如下：

鸡胴体缺陷高光谱图像检测方法包括高光谱数据处理模块、图像处理与数据集制作模块、目标检测模块、语义分割模块；

(1)高光谱数据处理模块，获取与处理鸡胴体缺陷高光谱图像数据；

S1.1使用高光谱相机采集鸡胴体的高光谱图像；

S1.2数据预处理：对高光谱图像进行黑白校正，消除噪声暗电流的干扰，并采集鸡胴体表皮的光谱数据；

S1.3对步骤S1.2中提取到的光谱数据进行特征波段选择，采用最大差值波段选择方法选出鸡胴体体表有损伤与无损伤对比最明显的波段及其图像；

(2)图像处理与数据集制作模块，对高光谱数据处理模块输出的原始图像进行图像处理，并完成目标检测模型数据集制作；

S2.1将步骤S1.3中输出的图像进行预处理，去掉鸡胴体背景的噪声、干扰信息以及其他影响目标检测准确性的因素；

S2.2使用图像标注工具LabelImg对步骤S2.1处理后的图像进行标注，其中每个图像标注后都会产生一个包含该图像中所含表皮损伤的边界框坐标和分类标签属性文件，标注完成后所有的图像及其属性文件共同构成图像数据集；统计标注时边界框的尺度分布情况，包括尺度大小和高宽比，为目标检测模型设计针对鸡胴体缺陷的Anchor提供参考信息；

S2.3对步骤S2.2中图像数据集进行数据增强，提高模型的泛化能力；将数据增强后的数据集随机按照7:3的比例划分为训练集和测试集；

(3)目标检测模块，使用改进的Faster RCNN网络模型进行鸡胴体缺陷目标检测；

S3.1构建改进的Faster RCNN鸡胴体缺陷目标检测网络模型；利用改进的Faster RCNN鸡胴体缺陷目标检测网络模型先检测鸡胴体表面是否有损伤缺陷，若有则将缺陷用边界框框出，得到一个框有缺陷的边界框图像，将此边界框图像送入改进的U‑net鸡胴体缺陷分割网络模型，改进的U‑net鸡胴体缺陷分割网络模型作为一种语义分割模型再将边界框图像中的表皮破损缺陷进行精确分割；改进的Faster RCNN鸡胴体缺陷目标检测网络模型即采用ResNet50‑FPN作为特征提取骨干网络，其中在ResNet50第五阶段的残差块部分用PSA注意力模块取代原有的3×3卷积，然后ResNet50与FPN通过横向连接的方式将各自的特征图结合起来生成一组多尺度特征图用于后续处理；

S3.2使用图像处理与数据集制作模块中的训练集图像对改进的Faster RCNN鸡胴体缺陷目标检测网络模型进行训练，将训练时准确率最高的网络模型保存为最优网络模型；

S3.3使用步骤S3.2中保存的最优网络模型对鸡胴体表皮损伤缺陷进行目标检测；

(4)语义分割模块，使用改进的U‑net网络模型，针对目标检测模块输出的图像中边界框框选的缺陷进行精准分割；

S4.1构建数据集，根据步骤S3.3中最优网络模型检测鸡胴体缺陷获得的边界框坐标[x,y,w,h]得到其边界框区域图像；对边界框区域图像里的缺陷进行标注，构成含有标注信息的数据集；

S4.2构建改进的U‑net鸡胴体缺陷分割网络模型，将U‑net网络原有的最大池化层改进为残差金字塔池化层；该残差金字塔池化层的结构通过最大池化构造4种尺度的感受野以检测不同大小的鸡胴体损伤特征，通过金字塔池化内部的1×1卷积将跨通道的信息进行交融，然后利用双线性差值将不同尺度的特征进行归一化后与原始输入特征进行残差融合，最终通过1×1卷积将全局特征映射为原始输入特征的大小；

S4.3训练改进的U‑net鸡胴体缺陷分割网络模型，将训练集准确率最高的网络模型保存为最优模型。

2.根据权利要求1所述的基于深度学习的鸡胴体缺陷高光谱图像检测方法，其特征在于，步骤S3.1中，改进Faster RCNN模型的RPN网络在改进的Faster RCNN鸡胴体缺陷目标检2

测网络模型的RPN网络部分，将原Faster RCNN网络中Anchor尺度替换成面积尺度为{20 ,

2 2 2 2

40 ,60 ,80 ,100 }和宽高比例为{1∶1，1.2∶1，1∶1.2}的新尺度，新尺度是由步骤S2.2中的参考信息分析所得。

3.根据权利要求1所述的基于深度学习的鸡胴体缺陷高光谱图像检测方法，其特征在于，步骤S4.2中，改进的残差金字塔池化层位于U‑net编码器结构中卷积层的后面；残差金字塔池化层再加上前面两个3×3卷积层以及激活函数，组成一个下采样模块，在U‑net编码器结构中共有四个下采样模块，最后经过两次卷积后直接将得到的特征图送入解码器中，其最终映射的金字塔全局特征能充分结合鸡胴体损伤的有效信息进行合理分割，尽可能保证损伤区域分割的完整性。