《表1 训练任务基本参数及训练效果对比》

  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

《基于深度学习的锻造裂纹检测研究》

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

采用FRCNN模型进行模型训练的过程中，需要用到锚框，通过不同长宽比、不同大小的锚框来对需要检测的裂纹进行筛选识别。默认设置下锚框的长宽比有0.5、1.0、2.0三种。锚框的选取对于识别的效果会产生影响。锻造裂纹常规条件下一般表现为细长状，即具有较大的长宽比，因此，这里在默认的基础上，对部分训练任务增加了多个锚框的长宽比，如表1所示V4、V5、V10几个训练版本。除此之外，包括SSD、YOLO模型在内的其他训练任务均采用平台的默认参数设置。最终创建的10个训练任务的训练结果如表1所示，其中阈值为平台根据计算给出的能够获得最好的评价效果的门槛值，m AP表示在当前阈值下正确识别并标记裂纹的准确率。精确率指的是预测为裂纹的位置有多少比率是正确的，而召回率指的是标记的裂纹有多少被正确识别。对于锻造裂纹而言，在无法正确识别的前提下，从保守的角度来考虑，一些疑似位置被识别为裂纹是允许的，但是裂纹位置没有被识别则存在潜在的危害性，因此在m AP相同水平下，训练的模型应尽可能保持低精确率和高召回率。