《表2 数据集组成：基于深度学习的工业自动化包装缺陷检测方法》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《基于深度学习的工业自动化包装缺陷检测方法》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

将采集到的原始数据分为3类：全部带包裹（合格）、含不带包裹或者包裹有间隙（缺陷）、其他。其中‘其他’指类似于图5d没有目标线盘的图。根据实际不需要对缺陷进行分类，可简化模型，将样本分为2类：包装合格、包装缺陷。其中Inception-V3的数据集为：训练集[1280张，1266张]，测试集[100张，100张]。需要说明的是：包装合格的样本容易获取，训练集和测试集中的合格样本均为原样本图，包装缺陷样本相对不易获取，训练集和测试集中的缺陷样本是原200张缺陷图经数据增强后得到的1400张图片，剔除其中一些裁剪后无线盘或者线盘显示不足一半的图片后得到1366张增强后的图片，训练时将训练集的10%作为验证集；YOLO-V3的数据集是从Inception-V3的数据集中随机抽取120张图片，使用LabelImg工具对线盘位置标注生成VOC格式的xml文件，再通过脚本生产YOLO格式的txt文件，数据集结构见表2。