《表3 分类性能对比(AP)》

  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

《基于深度残差网络的布匹疵点检测方法》

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

本文方法中的残差网络使用Res Net101，与其对比的神经网络模型包括YOLO-v3、原始Faster R-CNN及其Res Net50和Res Net152的改进版本、以及FPN[20]的Res Net50版本．在相同的80000次迭代下，各种方法的实验结果如表3所示．从表中可以得出，YOLO-v3对于布匹疵点各类别的分类效果差别很大，其中对断经断纬的检测效果较好能达到0.8453，而对渍疵和破洞的检测效果较差，分别只有0.0284和0.0716，使得其mAP仅有0.4332．特征提取网络为VGG-16的原始Faster R-CNN的mAP达到0.7329．布匹的工业检测需要对各个疵点类别都有较好的稳定性，在这方面的表现上看Faster R-CNN更稳定，在布匹疵点检测上有较好的效果．在使用残差网络替代Faster R-CNN中原始特征提取网络VGG-16之后，Faster R-CNN改进后的布匹疵点检测精度有了大幅度的提升，使用Res Net101改进之后的mAP达到了0.8549，使用Res Net152改进之后的mAP达到了0.9190，而使用ResNet50作为特征提取网络的FPN的mAP仅为0.8391，因此改进后的Faster R-CNN有较大的提升，尤其是对于重经重纬和斑点瑕疵，在使用层数较多残差网络Res Net101和Res Net152后，相较于原始的VGG-16实现了0.2以上的mAP提升．本文方法在RPN网络中结合更多类型的锚点框之后，基于ResNet101的Faster R-CNN性能进一步得到提升，在断经断纬、折痕上有了将近0.1的提升，而在渍疵上达到了0.35以上的提升，在测试集上达到了1.0．本文方法改进锚点框后的网络对于多种尺度的疵点检测以及小目标检测更加精准，mAP达到了0.9563，改进前后检测效果对比如图10所示．本文方法在各类疵点上的检测效果如图11所示．