《表3 模型在测试集上的运行结果》

  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

为体现YOLO-Inception-V3检测方法在多目标和复杂景下的优势，在原测试集[100，100]基础上增加了50张同时包含缺陷和合格线盘的图片，50张没有线盘目标的图片，得到新测试集：[100，100，50，50]。如表3所示，实验结果表明YOLO-Inception-V3检测方法在只包含合格或者缺陷线盘图片上的识别准确率更高，对“均有”的图片能准确将图片识别为缺陷图片，对“其他”图片能完全过滤掉无目标线盘图片；而Inception-V3检测方法对“均有”类型的图片会将部分图片识别为合格，如实验中将50张“均有”缺陷图片中23张识别为合格，对无目标的“其他”图片无法进行过滤，实验中50张“其他”图片中29张识别为合格。因此，文中提出的YOLO-Inception-V3检测方法能应用于复杂和多目标检测场景，可对不含检测目标的图片进行过滤，提高了检测效率和准确率。