《表2 列车图像故障检测结果对比》

  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

《基于深度学习的铁路列车关键零部件图像故障检测》

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

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。