近年来，无骨鸡爪的加工规模因食用方便的特点而迅速扩张。仅2023年，中国无骨鸡爪线上产值已达49.8亿 元，无骨鸡爪加工前提是鸡爪去骨。
鸡爪骨骼结构主要由爪掌和跗跖骨组成（图1），爪掌的趾部细长，包含多个小骨骼和关节，呈弯曲状，且与跗跖骨的连接处并不明显。鸡爪去骨需依次对爪掌与跗跖骨等关键部位进行去骨，各部位骨骼形状差异较大，高度依赖对去骨部位的精准分割与定位，而这些也制约了鸡爪去骨装备的智能化进程。因此，研究一种轻量化的实时鸡爪去骨部位分割检测技术对促进鸡爪去骨装备智能化发展具有重要意义。
目前，人工去骨通常使用工具划开表皮后依次去除爪掌部分小骨，再去除跗跖骨。半自动加工装置大多通过一次定位后切割爪掌表皮并牵引趾骨和关节实现分离，再进行二次定位去除跗跖骨，定位方式多为人工，去骨过程与人工基本一致，自动化程度不高：如宿州市三友利德食品有限公司设计了一种半自动去骨装置，通过双槽结构和锯齿状旋转刀头依次切割跗跖骨与爪掌部位，并在人工辅助下完成骨肉分离；浩林食品（山东）有限公司提出了一种配备五把去骨刀的装置，借助滑移机构将鸡爪送入加工区域，完成表皮切割并实现骨骼牵引去除；江南大学则研制了专门用于去除跗跖骨的设备，通过驱动装置带动刀具切割表皮，并利用活动板翘起暴露骨骼后端以实现去骨。这些研究一定程度上提高了鸡爪去骨过程的自动化水平，但大多仍需要依赖人工辅助定位，加工效率不高，智能化程度低，难以实现大规模推广应用。
近年来，深度学习与机器视觉技术的发展，有力地推动了农产品与食品加工场景中关键部位检测的相关研究。Gc等采用迁移学习框架，并运用数据增强方法，提升了复杂背景及光照条件下的牛肉切块识别的鲁棒性，VGG16模型在测试集上实现了98.6%准确率。Henriksen通过对4 种深度学习目标识别技术进行比较分析，确定YOLOv7模型为最佳视觉系统模型，用于关键鱼体解剖部位的分割检测，不过该模型存在复杂度较高、推理效率较低的问题。Yao Tianqi等对比了两个用于分割鱼片识别的模型，明确了YOLOv8在多成像条件下具有更优的鱼片识别精度，平均精度值（mAP50）达到了97%，验证了该模型在替代人工进行食品加工检测方面的应用前景；但是其计算量在轻量化改进后仍达到了42.6每秒可执行十亿次浮点运算数（GFLOPs），不适用于边缘设备部署。上述研究表明，基于深度学习的目标检测模型在一定程度上推动了食品加工领域的智能化发展。
然而，智能化食品加工设备不仅需要具备高精度，还需兼顾实时检测效率以及轻量化便于部署等特性。Shen Qian等基于YOLOv8模型，引入多尺度特征融合与注意力机制，并进行通道混合及压缩等结构设计，在增强跨尺度信息交互的同时，有效控制了模型复杂度，对葡萄小果梗的分割精度达到99.5%，模型参数量和计算量仅为2.3 M和9.7 GFLOPs。杨俊等在YOLOv11n模型中引入大核注意力模块，增强关键区域的特征表达，并采用轻量化网络主干，在降低定位误差的同时，减少了计算开销和模型参数量。上述模型对结构相对规则、特征明显的目标展现出较高的识别精度与鲁棒性，且能保持高效率的检测速度。但鸡爪形态并不规则，且去骨部位特征相似，这使得模型需要具有更强的特征提取能力，而针对复杂特征的提取会导致更高的参数规模与计算开销。因此，迫切需要研究出一种契合鸡爪目标特征提取需求，且满足边缘加工装备要求的轻量化鸡爪分割检测模型。
综上所述，基于深度学习的目标检测与分割模型在农产品及食品分部位加工领域展现出良好的应用潜力，为鸡爪智能化定位加工提供了依据。针对鸡爪形态和特征，实现鸡爪实例分割检测将存在以下3 个挑战：鸡爪的非线性形状及其表面丰富的细节特征，尤其是爪掌部位的曲线弯曲度及表面不平整性，容易导致特征提取过程中的漏检现象；鸡爪跗跖骨边缘特征的平滑性及其与加工背景的高度相似性，可能引发误检问题；由于加工场景中的计算及存储资源的限制，对模型的轻量化要求很高，增加了模型的部署难度。
上海海洋大学工程学院的赵煜*、陈鑫根据去骨工艺将鸡爪分为两个部分：爪掌和跗跖骨，并据此构建鸡爪分部位分割检测数据集；基于YOLOv11n-seg基础模型，通过替换轻量化的骨干网络、引入动态双曲正切（DyT）激活函数、融合新卷积FPConv和设计全新的轻量级共享卷积预测定位质量分割检测头LSCPLQS等方法，构建鸡爪实例分割模型SCFL-YOLO，以达到轻量化与推理速度的平衡，同时提高模型对鸡爪复杂形状的识别精度和效果，为鸡爪智能化去骨提供视觉支持。
1 主干网络轻量化对比实验
考虑到鸡爪实例分割检测模型的部署环境通常在计算资源有限的自动化加工产线上，因此需要内存占用量小，精度符合要求的轻量化模型。为了分析改进主干后的模型的轻量化效果，本研究选取了多个主干网络进行轻量化对比实验，在相同的实验平台和超参数设置下，替换原有基础模型的主干进行实验，结果见表2。
由表2可见，相较于基础模型，替换StarNet轻量化主干后，改进后的模型的参数量、计算量和大小都有显著改善，分别为2.20 M、8.9 GFLOPs、4.5 MB；且改进模型对鸡爪掌与跗跖骨特征提取能力也有提升，目标检测和分割mAP50分别达到了97.5%和94.4%。其中，HGNetV2和RepHGNetV2主干与StarNet主干轻量化程度相似，但分割精度都略低于StarNet主干。这是由于StarNet网络通过逐元素乘法融合特征，多层堆叠后，能够有效建模复杂的目标特征，使网络在处理鸡爪非线性形状时表现更优。而RevCol尽管拥有最少的计算量，但在推理速度上远不如大部分其他主干。EfficientViT和FasterNet主干网络拥有更复杂的模型和更大的计算量，但分割精度和推理速度上并未超越StarNet，且F1得分较低。与基础模型YOLOv11n-seg相比，其他的轻量化主干的推理速度都下降较多，只有StarNet依靠高效简洁的架构得到的推理速度比基础模型高15.2 帧/s，这是因为StarNet的结构化“星操作”能实现高效的局部细节与整体语义融合，并结合阶段性深度可分离卷积与通道倍增机制，在提升特征表达的同时提升推理效率。同时StarNet在实验中取得了最高的F1得分，相较于基础模型分别提升0.1 个和0.3 个百分点，表明该模型在精确率与召回率之间实现了更优的平衡，并有效降低了误检与漏检，从而体现出其在检测任务中更为全面且稳健的性能表现。
2 消融实验结果
为深入验证各个模块在模型检测与分割性能提升中的作用，本研究设计并开展了系统性的消融实验。由于在主干轻量化对比实验中，已经比较过主干替换对整体性能与效率的影响。因此为了清晰地评估新增模块带来的贡献，并消除不同主干对后续模块引入结果产生的干扰，以YOLOv11n-seg+StarNet作为新基础模型进行消融实验，通过逐步移除或引入不同功能模块，在统一主干条件下对模型在目标检测与分割任务中的表现进行全面评估与对比。如表3所示，能够直观体现不同模块对检测精度与分割质量的影响。
由实验结果可知，StarNet轻量化网络结构不仅有效减少了整体模型的参数量、计算量和内存占用量，并且目标检测的mAP50、F1得分和分割的mAP50、F1得分都略有提升。在替换轻量化主干的基础上，单独引入3 个模块：CDTPSA特征提取模块的引入，计算量和参数量下降的同时，分割mAP50提升至94.6%，进一步提升了模型的分割精度，这主要归因于DyT动态非线性激活函数对鸡爪复杂特征的提取能力并起到了归一化层对极端值的压缩效果，摆脱对不必要计算的依赖。单独引入FPC3K2时，模型检测精度相较于新基础模型略有降低，但模型的参数量、计算量、内存占用量分别减少了10%、5.6%和8.9%，在仅损失少量精度的同时有效降低了模型的结构复杂性与计算负载。消融结果呈现非单调性，CDTPSA或FPC3K2单独引入时，模型的分割F1得分和mAP50会产生波动，这表明了不同增强策略之间的权衡关系。LSCPLQS模块的单独引入，大幅度减少了架构的冗余度，但因此也损失了目标检测mAP500.6%和分割mAP500.4%，F1得分也有所下降。这是由于LSCPLQS分割检测头接收来自P3、P4、P5层的特征输入，但由于结构的轻量化略微损失分割精度，因此需要输入更准确和清晰的特征图。同时引入CDTPSA和FPC3K2时，CDTPSA提取非线性的鸡爪特征，FPC3K2提取清晰的边缘特征，虽略有提升模型的复杂度，但模型的分割mAP50和F1得分分别达到了94.6%和91.6%，组合增益来源于模块在“表达增强和抑噪约束”上的互补协同。最终，融合4 个模块的改进模型在目标检测mAP50、分割mAP50分别达到了97.5%和94.8%，目标检测和分割F1得分也提升至94.0%、92.4%，为所有模型中最佳。SCFL-YOLO模型参数量仅为1.69 M，计算量为7.3 GFLOPs，内存占用量仅为3.5 MB。
在深度学习中，随机性在模型训练过程中扮演着关键角色，尤其是在权重初始化、数据随机划分性等方面。这些随机因素可能导致相同模型在不同训练过程中表现出不同的性能波动，因此评估模型对随机性变化的敏感度显得尤为重要。本研究基于SCFL-YOLO开展了5-Seed随机实验，在保持测试集不变的前提下，对其余样本进行不同随机种子下的训练/验证划分并重复训练，且实验设置与消融实验一致，实验结果如表4所示。
通过具体分析±s（n＝5），SCFL-YOLO模型在不同划分结果的数据集下的评估指标标准差均非常小，表明在不同随机种子下，模型的表现高度一致，展示了出色的可重复性和稳定性。
在对消融实验所得的部分数据进行归一化处理后，利用轻量化柱状图能够更加直观地观察到不同模块对模型在性能与效率上的影响。如图11所示，SCFL-YOLO模型在保持整体轻量化特性的同时，取得了最高的F1得分，充分体现出其在检测与分割任务中的优越性。随着改进模块的逐步引入，模型不仅在轻量化程度上得到持续优化，而且在推理速度上也呈现出显著的提升趋势，这表明模块间的合理组合能够有效增强系统的整体效率。此外，分割精度在不同阶段所表现出的波动进一步印证了各模块之间的协同作用，即不同改进模块功能互补和特征信息交互，体现了改进模块间配合推动模型综合优化的效果。
3 不同实例分割模型的对比实验结果
为全面验证SCFL-YOLO模型在鸡爪实例分割数据集上的检测与分割性能，本研究选取多种实例分割模型作为对比基础模型。在实验设计中，所有模型均在相同的实验平台与数据集上进行训练与测试，除模型结构差异外，其余超参数均保持一致，以确保结果的可比性。同时，预测阶段统一采用各自训练过程中获得的最佳权重， 且均未加载官方预训练权重，从而在严格控制变量的前提下保证实验的公平性。各模型在分割检测任务上的具体结果如表5所示。
如表5所示，YOLOv5n-seg尽管在计算量方面最低，但其关键模块特征提取能力有限，难以有效提取鸡爪各部位的细致特征，导致检测与分割精度不足。YOLOv8n-seg加强了模型的特征提取能力，但因此也引入了冗余计算和增加了内存占用。YOLOv11n-seg作为本研究的基础模型，在分割精度上与YOLOv8n-seg基本持平，并在帧率上保持较高水平，且模型复杂度和内存消耗也控制在均衡水平，适合作为基础模型进行轻量化改进。除了YOLO模型家族内的对比，Yolact相较于YOLO系列模型其分割检测精度和轻量化程度较低；Mask R-CNN和SOLOv2指标相近，由于其较大的参数量和较高的计算开销，且帧率较低，因此难以满足实际应用场景对实时性的要求。总体来说SCFL-YOLO模型在鸡爪目标检测与分割任务中取得了最优结果。
此外，虽然SCFL-YOLO模型的推理速度较YOLOv11n-seg略低，为180.8 帧/s，但其在检测与分割精度、模型架构轻量化以及推理效率方面均展现出更突出的优势，SCFL-YOLO模型检测和分割的精度mAP50分别提升了0.2%和0.7%，参数量、计算量和内存占用量分别降低了40.3%、28.4%和39.7%。结合雷达图（图12）所示，SCFL-YOLO模型在鸡爪实例分割数据集上的综合性能优于其余分割模型，其在多维度指标上的优势不仅体现了更强的特征建模能力与泛化性能，还表明其轻量化设计能够在保证高精度的同时有效降低硬件资源依赖。
4 鸡爪掌与跗跖骨的分割效果可视化对比
为了直观展现改进的SCFL-YOLO模型在不同场景下的识别精度与鲁棒性，进一步揭示模型在特征提取与目标定位过程中对关键区域的关注度，分析误检与漏检的成因，全面反映模型的检测效果，并为后续的定量评估、方法优化及模型可解释性研究提供支撑。本研究将检测结果进行分割检测可视化，并绘制消融实验热力图，以便对模型表现进行综合分析。
4.1 鸡爪掌与跗跖骨的分割检测可视化
为了直观地展示SCFL-YOLO模型在鸡爪数据集中的检测和分割效果，本研究对改进后的SCFL-YOLO模型与基础模型YOLOv11n-seg及其他分割精度较高的模型进行可视化对比。
如图13所示，红色和绿色曲线代表人工分割标注，深蓝色和浅蓝色方框为模型的预测框，深蓝色和浅蓝色覆盖区域则为模型分割效果图。通过对比分析图像可知，在鸡爪实例分割检测任务中，改进后的模型相较于YOLOv11n-seg展现了更为优越的分割效果，尤其在分割完整度方面，SCFL-YOLO模型更胜一筹。
基础模型YOLOv11n-seg在目标检测预测框置信度上低于SCFL-YOLO模型，说明改进模型的预测精度更高。对比人工标注的分割曲线，虽然基础模型和改进模型都能基本分割出鸡爪掌与跗跖骨的形状，基础模型分割检测鸡爪边缘时存在与背景混淆的问题，导致分割结果出现局部不准确。尤其图像受到高斯模糊或曝光调整影响时，YOLOv11n-seg模型进一步表现出分割漏检现象，造成目标区域的不完整。相比之下SCFL-YOLO模型在复杂图像条件下展现出更优的分割稳定性与精度，对于爪掌和跗跖骨非线性形状能进行有效分割，避免了因视觉的限制导致的极端情况下的检测和分割困难，且边缘分割能力也有明显提升。
4.2 鸡爪掌与跗跖骨分割检测的热力图可视化分析
为了清晰地展示鸡爪分部位实例分割检测的可视化效果和模型在预测过程中聚焦的关键区域，本研究采用梯度加权类激活映射（Grad-CAM）进行实例分割热力图可视化，选择P3、P4、P5层进行可视化处理，这3 层输出的图像信息经过主干和颈部网络的处理，具有丰富的特征信息，如图14所示。
在热力图（图14）中，红色渲染区域代表了鸡爪的检测分割。基础模型YOLOv11n-seg有多处将背景误检为当前预测的类别，导致热力图上红色高亮区域与背景交杂；而随着改进模块的逐步融合，模型的预测效果逐渐提升。最终，融合4 个模块的SCFL-YOLO模型对鸡爪分部位特征提取的能力明显增强，能准确预测到鸡爪掌和跗跖骨两个区域的关键特征。进一步分析发现，SCFL-YOLO模型对鸡爪部位边缘特征处理更加优秀，红色高亮区域集中在目标本身。因此，热力图深层次地验证了融合多个改进模块的SCFL-YOLO模型能更有效地进行鸡爪实例分割，且具有良好的可视化效果。
5 结 论
本研究为提高鸡爪分部位实例分割检测精度，满足在计算和存储资源有限的自动化加工线上模型部署需求，解决鸡爪因形状特征复杂和边缘特征与背景相似造成的分割误检和漏检以及模型复杂度高、计算资源消耗大等问题，提出了一种融合轻量化主干、高效特征提取模块和轻量化分割检测头的鸡爪去骨部位实例分割模型SCFL-YOLO，主要研究结果如下：
1）本研究基于YOLOv11n-seg模型，通过在主干网络引入高效轻量化主干网络StarNet，减少计算量和参数量，同时提高模型推理效率；在C2PSA模块中引入DyT动态非线性函数构建CDTPSA模块，增强模块非线性特征提取能力；在颈部网络，将C3K2模块中的原有卷积替换为融合的新卷积FPConv，构建新的FPC3K2模块，减少冗余计算和提高模块边缘特征提取能力；最后在检测头部位设计轻量级共享卷积预测定位质量分割检测头LSCPLQS，提高检测效率，构建了SCFL-YOLO模型。与基础模型相比，SCFL-YOLO模型检测和分割的mAP50分别提升了0.2%和0.7%，参数量、计算量和内存占用量分别降低了40.3%、28.4%和39.7%，轻量化效果显著。
2）与主流分割模型进行对比，本研究提出的SCFL-YOLO模型在精度和模型轻量性等指标上占据优势，目标检测和实例分割mAP50分别达到了97.5%和94.8%，模型内存占用量仅为3.5 MB，FPS达到了180.8 帧/s，相较于其他分割模型，SCFL-YOLO模型在计算复杂度、架构高效性、分割精度和推理速度等方面综合性能较高，为鸡爪智能化去骨提供了更加高效精准和易于部署的视觉模型。
尽管本研究提出的SCFL-YOLO模型在自建的鸡爪离线数据集上获得了较为理想的分割成效，但仍具备一定的提升潜力。当前研究主要关注于鸡爪去骨部位的实例分割效果，主要为鸡爪智能化去骨加工提供了视觉支撑。未来的研究将着重开展真实生产环境中的复杂场景下的数据采集工作，以增强模型在不同生产条件下的泛化能力与鲁棒性。
已有研究显示，基于深度学习的实例分割检测算法的部署与应用，为机械臂提供了空间位置与姿态信息，从而引导机械臂进行路径规划和控制决策。本研究提出的模型能够实现精准的图像分割，然而对于分割结果的部署和转化问题，尚未开展深入研究。在未来研究中，将系统性地分析如何把分割结果映射为机械臂控制指令，同时对模型在边缘计算设备上的性能进行评估，剖析模型的实时性和资源受限环境下的可行性，验证其在工业化系统中的应用价值。
作者简介
通信作者：
赵煜 讲师
上海海洋大学工程学院
主要从事智能渔业与加工装备研究，迄今主持省部级及其他项目7 项，发表学术论文16 篇，授权专利4 项，参编教材1 部。
引文格式：
赵煜, 陈鑫. 基于轻量化SCFL-YOLO模型的鸡爪去骨部位图像分割技术[J]. 食品科学, 2026, 47(9): 63-74. DOI:10.7506/spkx1002-6630-20251105-024.
ZHAO Yu, CHEN Xin. Image segmentation technique for chicken feet deboning areas based on the lightweight SCFL-YOLO model[J]. Food Science, 2026, 47(9): 63-74. (in Chinese with English abstract) DOI:10.7506/spkx1002-6630-20251105-024.
实习编辑：刘芯；责任编辑：张睿梅。点击下方阅读原文即可查看全文。图片来源于文章原文及摄图网
为了帮助食品及生物学科科技人员掌握英文科技论文的撰写技巧、提高SCI期刊收录的命中率，综合提升我国食品及生物学科科技人员的高质量科技论文写作能力。中国食品杂志社拟定于2026年8月13—14日在安徽合肥举办“第13届食品与生物学科高水平SCI论文撰写与投稿技巧研修班”，为期两天。
长按或微信扫码进行注册
为系统提升我国食品营养与安全的科技创新策源能力，加速科技成果向现实生产力转化，推动食品产业向绿色化、智能化、高端化转型升级，由北京食品科学研究院、中国食品杂志社《食品科学》杂志（EI收录）、中国食品杂志社《Food Science and Human Wellness》杂志（SCI收录）、中国食品杂志社《Journal of Future Foods》杂志（ESCI收录）主办，合肥工业大学、安徽省食品行业协会、安徽大学、合肥大学、合肥师范学院、北京工商大学、中国科技大学附属第一医院临床营养科、安徽粮食工程职业学院、皖西学院、滁州学院、蚌埠学院共同主办的“ 第六届食品科学与人类健康国际研讨会 ”，将于 2026年8月15-16日（8月14日全天报到） 在 中国 安徽 合肥 召开。
长按或微信扫码进行注册
为对标农业农村部2035年科技规划及“十四五”“十五五”发展方向，推动农产品加工与储运的工程化、智能化、绿色化升级，由湖南省农业科学院、湖南农业大学、北京食品科学研究院、国际食品科技联盟（IUFoST）、中国农业大学、岳麓山工业创新中心主办，湖南大学、中南林业科技大学、长沙理工大学、湖南中医药大学、湘潭大学、岳麓山实验室协办，中国食品杂志社、洞庭实验室、湖南省食品科学技术学会、湖南省农产品加工与质量安全研究所、湖南农业大学食品科学技术学院、Springer Nature-《Agricultural Products Processing and Storage》杂志承办的“第二届农产品加工与食品制造国际学术研讨会—创新引领绿色智造，AI赋能科技进步”，将于2026年9月19-20日（9月18日会议报到）在中国 湖南 长沙召开。
长按或微信扫码进行注册
会议招商招展
联系人：杨红；电话：010-83152138；手机：13522179918（微信同号）
热门跟贴