《表2 列车图像故障检测结果对比》
为了验证和分析算法的检测性能,将本文提出的算法与目前主流故障检测算法特别是深度学习算法进行对比,如:基于局部二进制(LBP)特征的故障级联检测器[12],基于HOG特征的Adaboost与线性SVM故障检测器[17],基于快速自适应马尔科夫随机场与精确高度函数(FAMRF+EHF)的层次特征匹配算法[10],基于VGG16模型的SSD(Single shot multi-box detector)算法[18],基于ResNet50网络模型的R-FCN算法[9],基于不同网络模型(ZF,VGGM和VGG16)的Faster R-CNN[8],基于R-FCN与soft NMS以及Faster R-CNN与soft NMS联合算法[11]。以上算法均使用表1中所述的列车图像进行训练和测试,深度学习算法SSD,RFCN,Faster R-CNN,R-FCN+soft NMS,和Faster R-CNN+soft NMS均借助单张K40 GPU完成训练和测试。上述所有方法均调至最优,故障检测结果见表2。
图表编号 | XD00115692400 严禁用于非法目的 |
---|---|
绘制时间 | 2019.12.01 |
作者 | 李萍、吴斌方、刘默耘、张杨、林凯、孙国栋 |
绘制单位 | 湖北工业大学机械工程学院、湖北工业大学机械工程学院、湖北工业大学机械工程学院、华中科技大学机械科学与工程学院、湖北工业大学机械工程学院、南京大学计算机科学与技术系、湖北工业大学机械工程学院、湖北工业大学机械工程学院 |
更多格式 | 高清、无水印(增值服务) |