La convección severa es un sistema meteorológico de mesoescala desastroso. La detección temprana de tales sistemas es muy importante para salvar vidas y propiedades. Estudios anteriores abordan el problema principalmente basándose en métodos de umbral, que no son lo suficientemente robustos y precisos. En este artículo, proponemos un nuevo método de segmentación semántica (Dugs-UNet) para resolver el problema. Nuestro método se basa en el conocido marco U-Net. Dado que las nubes convectivas imitan fluidos, su detección enfrenta dos desafíos importantes. Primero, las características de forma y contorno de las nubes deben ser explotadas cuidadosamente. Segundo, las muestras positivas y negativas para la detección de convección están muy desbalanceadas. Para abordar los dos desafíos, nuestro método fue desarrollado cuidadosamente. En cuanto a la importancia de las características de forma y contorno para la detección de objetivos convectivos, introducimos un módulo de flujo de forma para extraer estas características. Además, se adopta una operación de aumento de datos dependiente en el decodificador de U-Net para utilizar eficazmente las características. Esta es una de nuestras contribuciones. Para abordar el problema del desbalance en la detección de objetivos convectivos, se emplea una función de pérdida focal para entrenar nuestro método, que es otra contribución. Los resultados experimentales de las observaciones del satélite Fengyun-4A de 2018 en China demuestran la efectividad del método propuesto. En comparación con los métodos convencionales basados en umbrales y algoritmos de segmentación semántica profunda como SegNet, PSPNet, DeepLav-v3+ y U-Net, el enfoque propuesto es el que mejor rendimiento tiene.