《表4 集成迁移学习前后缺陷检测模型与其他方法的对比》
设计对比试验2,采用文献[4]中针对灌装生产线的封盖面典型缺陷检测,所提到的R-CNN、Fast R-CNN(fast R-CNN)、Faster R-CNN(faster R-CNN)3种方法。R-CNN、Fast R-CNN、Faster R-CNN均通过提取候选区域,对该区域进行深度学习实现目标检测的算法模型,具有很高的准确性和稳定性,是工业领域进行目标检测的常用算法模型。将这3种基于候选区域的目标检测模型与本文所提改进前后的集成迁移学习的表面缺陷检测模型效果进行比较,记集成迁移学习的表面缺陷检测模型为D-YOLO。C对照组随机选择人工标记的200张不良品轴件图片,D对照组选择同一批人工标记的2 000张不良品轴件图片。C、D对照组采用与对比试验1相同的训练条件和表2中的训练参数进行训练,分别统计以上5种方法的正检率、训练时间、检测时间,结果如表4所示。
图表编号 | XD00119600600 严禁用于非法目的 |
---|---|
绘制时间 | 2019.12.01 |
作者 | 冯毅雄、赵彬、郑浩、高一聪、杨晨、谭建荣 |
绘制单位 | 浙江大学流体动力与机电系统国家重点实验室、浙江大学流体动力与机电系统国家重点实验室、浙江大学流体动力与机电系统国家重点实验室、浙江大学流体动力与机电系统国家重点实验室、浙江大学流体动力与机电系统国家重点实验室、万向集团公司研究院、浙江大学流体动力与机电系统国家重点实验室 |
更多格式 | 高清、无水印(增值服务) |