La tecnología de infrarrojos térmicos se utiliza para detectar la mastitis en vacas debido a sus características no invasivas y eficientes. Sin embargo, la presencia de regiones circundantes y obstáculos puede obstaculizar la medición precisa de la temperatura, comprometiendo así la efectividad de la detección de mastitis en lecherías. Para abordar estos problemas, propusimos el algoritmo de segmentación semántica CLE-UNet (Centroid Loss Ellipticization UNet). El algoritmo consta de tres partes principales. En primer lugar, introdujimos el mecanismo de atención de canal eficiente (ECA) en la capa de extracción de características de UNet para mejorar la precisión de la segmentación al centrarse en características de canal más útiles. En segundo lugar, propusimos una nueva función de pérdida centróide para facilitar que la salida de la red se acerque a la posición de la etiqueta real durante el proceso de entrenamiento. Finalmente, utilizamos una operación de ajuste de elipse del ojo de la vaca basada en la similitud entre la forma del ojo de la vaca y la elipse. Los resultados indicaron que el modelo CLE-UNet obtuvo una intersección media sobre la unión (MIoU) del 89.32% y una velocidad de segmentación promedio de 0.049 s por cuadro. En comparación con el recuento de células somáticas (SCC), este método logró una precisión, sensibilidad y valor F1 del 86.67%, 82.35% y 87.5%, respectivamente, para detectar mastitis en vacas lecheras. En conclusión, el uso innovador del algoritmo CLE-UNet ha mejorado significativamente la precisión de la segmentación y ha demostrado ser una herramienta efectiva para detectar con precisión la mastitis en vacas.