synthetic 3D fillet dataset

该合成三维鸡胸肉片数据集由德克萨斯大学阿灵顿分校与USDA研究团队联合创建，旨在通过高保真模拟解决木质化鸡胸肉在线检测难题。数据集包含1000个合成三维网格模型，通过基于StyleGAN2的生成架构结合平滑相似性正则化技术，从40个真实扫描样本中扩展生成，涵盖了家禽肉片形态的自然变异范围。其创建过程包括将点云转化为深度图、利用生成对抗网络合成多样化样本，并重建为可用于物理仿真的三维网格。该数据集主要应用于计算机视觉与农业工程领域，为开发基于顶置摄像头的多肉片同时检测算法提供训练与验证基础，以提升家禽加工线的检测效率与经济效益。This synthetic 3D chicken breast slice dataset was co-developed by the University of Texas at Arlington and the USDA research team, aiming to solve the on-line detection problem of wooden breast chicken meat via high-fidelity simulation. The dataset contains 1000 synthetic 3D mesh models, which are expanded from 40 real scanned samples using a StyleGAN2-based generative architecture combined with smooth similarity regularization technology, covering the full range of natural morphological variations of poultry slices. Its creation process includes converting point clouds into depth maps, synthesizing diverse samples through generative adversarial networks (GANs), and reconstructing them into physically simulatable 3D meshes. This dataset is mainly applied in the fields of computer vision and agricultural engineering, providing training and validation foundations for developing simultaneous detection algorithms for multiple slices based on overhead cameras, so as to improve the detection efficiency and economic benefits of poultry processing lines.

搜集汇总

数据集介绍

构建方式

该数据集基于真实世界40份鸡胸肉三维点云扫描，通过主成分分析对齐、归一化与深度图投影等预处理手段，构建标准化二维深度图种子集。为突破小样本局限，研究采用经平滑度相似性正则化改进的StyleGAN2架构，在LSUN-Churches数据集预训练基础上进行少样本迁移生成，最终合成1000张多样化深度图。随后将二维深度图逆映射为三维体素网格，通过物理尺寸缩放与底面缝合生成封闭水密网格，形成了涵盖形态变异性的合成三维鸡胸肉模型数据集。

特点

数据集的核心特点在于物理仿真与生成模型的深度融合。其一是形态多样性，生成的1000个网格通过平滑度相似性正则化保留了真实样本95%的几何变异性，验证了良好的泛化能力。其二是刚体链式物理建模，每个网格被离散为多段刚体并赋予基于体素体积的非均匀质量分布，通过扭转弹簧阻尼系统模拟粘弹性弯曲行为，刚度系数直接对应木质化程度。其三是多视角适应性，提供顶视与侧视相机视角，支持形状得分、最小距离度量等多维度弯曲评估指标提取。

使用方法

数据集使用时，需结合Unity物理引擎构建的虚拟传送带仿真环境，将合成网格作为柔性体加载，通过设置刚度参数（正常：k≈0，严重木质化：k≫0）、质量（M=100）与传送带速度（100-130英尺/分钟）驱动弯曲模拟。顶视相机通过深度背景减除与分水岭分割实现多鸡胸肉实时跟踪，提取2D轮廓的形状得分及其Hu矩、致密性变化作为木质化判别依据。侧视相机则提供基准弯曲指标如归一化最小距离度量与弯曲能量，用于验证仿真精度。

背景与挑战

背景概述

在现代化禽肉加工产业中，木状胸（Woody Breast, WB）作为一种常见的胸肌病变，显著降低了鸡胸肉的食用品质与经济价值，给全球养禽业带来了巨大的经济损失。为应对这一难题，由美国德克萨斯大学阿灵顿分校和农业部农业研究服务局的科研团队于2026年提出了一个基于物理仿真的多鸡胸肉WB检测框架。该研究的核心在于构建一个高保真数字孪生工业输送系统，并通过引入合成3D鸡胸肉数据集（synthetic 3D fillet dataset）来突破传统单视角检测系统在处理线上所面临的吞吐量瓶颈。该数据集不仅提供了1000个具有自然形态变异的三维网格模型，还配备了对应的物理仿真环境，为在线、高通量的WB检测算法验证开辟了新的路径，对推动肉类品质自动化评估领域的发展具有重要影响。

当前挑战

该数据集所应对的核心挑战在于如何基于顶视摄像头的二维轮廓信息来区分具有不同刚度的鸡胸肉，从而替代原先依赖侧视摄像头的检测方案。构建过程面临的首要难题是真实样本的极度匮乏：仅依靠40组真实三维扫描数据难以训练出鲁棒的生成模型，为此团队利用少样本GAN结合平滑相似性正则化技术，从二维深度图中合成出大量形态逼真的三维网格。此外，模拟多个鸡胸肉在高速输送带上的粘弹性弯曲行为需要精细的物理引擎参数校准，尤其是如何合理分配离散化链段的质量与扭转刚度以重现真实生物力学特征，以及在顶视视角下克服透视失真和尾部结构噪声对形状评分指标的干扰，均是实现可靠多目标评估必须跨越的技术障碍。

常用场景

经典使用场景

该数据集的核心经典使用场景在于为家禽加工线上木质化鸡胸肉（Woody Breast）的自动化检测提供高保真的三维仿真数据支撑。通过物理引擎模拟鸡胸肉片在传送带滚轮边缘的粘弹性弯曲动力学行为，研究者可从俯视相机视角提取连续的二维形状形变分数，从而替代传统侧视成像系统实现多肉片并行评估。这一场景精准复现了工业级传送系统的运行环境，使算法能够在虚拟数字孪生中完成从数据生成、特征提取到分类验证的全链路测试。

衍生相关工作

该数据集衍生了多项关键性工作：在生成模型方面，基于StyleGAN2架构引入平滑相似性正则化（SSR），使得预训练于建筑影像的生成器能够稳定迁移至生鲜肉品领域，解决了跨领域几何结构差异巨大时的少样本生成难题。在检测算法层面，提出的形状分数融合Hu矩归一化距离与实心度变化，为俯视视角下生物软体的形变量化提供了新范式。此外，该工作开创性地将数字孪生与物理仿真（NVIDIA PhysX）结合于家禽品质检测，为后续研究如多肉片跟踪算法优化、真实产线迁移验证以及结合光谱分析的多模态融合检测开辟了道路。

数据集最近研究

最新研究方向

基于synthetic 3D fillet数据集的前沿研究聚焦于利用高保真物理仿真环境与生成对抗网络（GAN）技术，解决家禽加工业中木质化鸡胸肉（WB）在线检测的吞吐量瓶颈。传统侧视单肉片成像系统虽精度高但视野受限，难以满足高速产线需求。该研究通过构建数字孪生传送带系统，结合StyleGAN2-SSR模型从有限真实3D扫描中合成多样化的肉片网格，并模拟其粘弹性弯曲动力学，创新性地采用俯视相机视角提取连续2D形变分数，实现多肉片同步WB评估。实验表明，该形变分数能有效区分正常与异常肉片，在100英尺/分钟产线速度下分离因子达3.5倍，显著优于传统方法。此项研究不仅为禽肉质检提供了可扩展的低成本视觉方案，还推动了合成数据在食品生物特征检测中的前沿应用，对减少每年超2亿美元的产业经济损失具有重要意义。

相关研究论文

• Simulation-Based Multi-Fillet Evaluation of Woody Breast Poultry Fillets

  德克萨斯大学阿灵顿分校·计算机科学与工程系; 美国农业部农业研究服务局·国家家禽研究中心·质量与安全评估研究部 · 2026年