《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》

《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。