疫苗防控是应对流感疾病的有效手段,疫苗的制备需要将毒株在鸡胚中增殖培养。由于在培养过程中会出现胚胎的非特异性死亡造成疫苗制备失败,因此,鸡胚的成活性检测在工程上具有重要意义。目前,鸡蛋胚胎的成活性检测主要依靠人工经验查看胚胎的血管来判断,长时间会造成视觉疲劳,导致检测效率降低,难以满足企业的高标准要求。为了实现鸡蛋胚胎的成活性检测,本文提出一种基于全卷积神经网络(Fully Convolutional Network,FCN)的图像分割方法。FCN可以进行语义级别的图像分割,即对图像中的每个像素都进行归类,实现像素级的分类。卷积层是神经网络的核心层,其中的卷积核是局部感受野空间特征以及通道特征的信息聚合体。本文将网络的浅层特征与深层特征级联,以Dilated卷积代替普通的卷积形式,在节省计算量的同时增大局部感受野,获得更多像素的空间关系,结合通道维度特征,提出基于通道加权的图像分割方法。加权模块首先对卷积层的输出进行降维,使浅层特征也具有较大的感受野。然后通过学习的方式获得特征通道的权重,最后根据学习到的权重对特征通道进行加权。通道加权可以增强有用特征抑制无用特征,有用特征利于深层网络学习效果更好,最终得到的模型泛化能力更强,鲁棒性更高。实验结果表明,采用Dilated卷积能够得到更加宽泛的感受野,特征提取能力增强,通道加权实现了通道权重的重新标定,使得网络的泛化能力得到提升。针对孵化9日的鸡蛋胚胎数据,本文设计的网络结构对血管、裂纹、气室的分割结果有所提升,并依据分割结果进行了简单的分类,实现了胚胎的成活性检测。