第４３卷第１期２０２３年１月西安科技大学学报ＪＯＵＲＮＡＬＯＦＸＩ’ＡＮＵＮＩＶＥＲＳＩＴＹＯＦＳＣＩＥＮＣＥＡＮＤＴＥＣＨＮＯＬＯＧＹＶｏｌ．４３Ｎｏ.１Ｊａｎ．２０２３姜军强，张旭辉，徐奎奎，等．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（１）：２０１－２０８．ＪＩＡＮＧＪｕｎｑｉａｎｇ，ＺＨＡＮＧＸｕｈｕｉ，ＸＵＫｕｉｋｕｉ，ｅｔａｌ．ＤｅｔｅｃｔｉｏｎｏｆＧＨ４１６９ｓｕｐｅｒａｌｌｏｙｔｉｓｓｕｅｄｅｆｅｃｔｓｂａｓｅｄｏｎＥＣＡ⁃ＵＮｅｔ［Ｊ］．ＪｏｕｒｎａｌｏｆＸｉ’ａｎＵｎｉｖｅｒｓｉｔｙｏｆＳｃｉｅｎｃｅａｎｄＴｅｃｈｎｏｌｏｇｙ，２０２３，４３（１）：２０１－２０８．收稿日期：２０２２－０５－３１基金项目：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）第一作者：姜军强，男，河北邯郸人，博士研究生，Ｅ⁃ｍａｉｌ：１７１０１０１６００４＠ｓｔｕ．ｘｕｓｔ．ｅｄｕ．ｃｎ通信作者：张旭辉，男，陕西凤翔人，教授，博士生导师，Ｅ⁃ｍａｉｌ：ｚｈａｎｇｘｈ＠ｘｕｓｔ．ｅｄｕ．ｃｎ基于ＥＣＡ⁃ＵＮｅｔ的ＧＨ４１６９高温合金组织缺陷检测姜军强１，张旭辉１，徐奎奎２，董明１，马宏伟１（１．西安科技大学机械工程学院，陕西西安７１００５４；２．河北经贸大学信息技术学院，河北石家庄０５００００）摘要：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，Ｐ...
