Cuando los médicos están fatigados, a menudo cometen errores diagnósticos. Del mismo modo, los farmacéuticos también pueden cometer errores al dispensar medicamentos. Por lo tanto, la segmentación de objetos juega un papel vital en muchas áreas relacionadas con la salud, como el análisis de síntomas en imágenes biomédicas y la clasificación de medicamentos. Sin embargo, muchos algoritmos tradicionales de aprendizaje profundo utilizan una única vista de una imagen para la segmentación o clasificación. Cuando la imagen está borrosa o incompleta, estos algoritmos no logran segmentar el área patológica o la forma de los medicamentos con precisión, lo que puede afectar los planes de tratamiento subsiguientes. En consecuencia, proponemos el Fuzzy DBNet, que combina la red de mariposa dual y el ASPP difuso en una red de aprendizaje profundo y procesa imágenes desde ambos lados de un objeto simultáneamente. Nuestros experimentos utilizaron conjuntos de datos de píldoras y radiografías de pulmón de múltiples categorías para el entrenamiento. El coeficiente Dice promedio de nuestro modelo propuesto alcanzó el 95.05% en la segmentación de múltiples píldoras y el 97.05% en la segmentación de pulmón. Los resultados mostraron que nuestro modelo propuesto superó a otras redes de vanguardia en ambas aplicaciones, demostrando que nuestro modelo puede utilizar múltiples vistas de una imagen para obtener la segmentación o identificación de imágenes.