针对传统分割算法对于金属组织缺陷分割不连续，易被伪缺陷干扰的问题，提出一种结合迁移学习和通道注意力的ECA-UNet网络结构，实现GH4169高温合金组织缺陷图像分割与检测。首先，使用迁移学习将在ImageNet预训练好的参数迁移到ECA-UNet网络中，然后引用DenseNet网络思想将每一个有效特征层提取的图像信息都密集连接到下一个有效特征层中，并结合通道注意力模块组成加强跳跃连接模块，使UNet获得更准确的分割结果；最后，采用混合损失函数替代单一损失函数解决GH4169高温合金缺陷数据集正负样本不均衡的问题。与现行优秀算法PSPNet、Deeplabv3+缺陷分割效果对比发现ECA-UNet相较其他方法最佳指标值组合依然有2.91%,0.33%,3.5%的提升。结果表明：采用改进UNet分割缺陷的3个指标数据IoU,PA,F1-score分别为76.43%,87.22%,90.3%,相较于原始UNet网络3个指标分别提升了9.83%,9.09%,7.3%。

国家自然科学基金项目(51705481)；国家绿色制造系统集成项目(工信部节函[2017]327号)；河北省重点研发计划项目(20311007D)；

0 引 言
1 算法描述
1.1 UNet网络结构
1.2 ECA-UNet
1.2.1 迁移学习网络VGG16
1.2.2 加强跳跃连接模块
1.2.3 ECA注意力机制
1.3 混合损失函数
1.4 评价指标
2 试验结果及分析
2.1 试验数据集和实验条件设置
2.1.1 数据集介绍
2.1.2 数据增强策略
2.1.3 实验条件设置
2.2 不同模型之间对比
2.3 消融实验
3 结 论

姜军强,张旭辉,徐奎奎,董明,马宏伟.基于ECA-UNet的GH4169高温合金组织缺陷检测[J].西安科技大学学报,2023,43(01):201-208.DOI:10.13800/j.cnki.xakjdxxb.2023.0124.