《表2 卷积法测试结果：基于卷积神经网络与显著性特征的皮革缺陷检测》
提示：宽带有限、当前游客访问压缩模式
通过卷积法对缺陷特征进行提取与分类，完成对缺陷的检测。试验样本为270张，每种缺陷30张，采集工况与训练样本时一致，本文所有试验样本一致。试验结果如表2所示。
| 图表编号 | XD00149360000 严禁用于非法目的 |
|---|---|
| 绘制时间 | 2020.06.01 |
| 作者 | 丁彩红、黄浩、彭明 |
| 绘制单位 | 东华大学机械工程学院、东华大学机械工程学院、东华大学机械工程学院 |
| 更多格式 | 高清、无水印（增值服务） |
相关图表
- 《表2 诊断结果比较：基于一维卷积神经网络焊缝缺陷X射线图像的分类方法研究》2020.10.15
- 《表3 多种算法测试结果：基于多尺度轻量级卷积网络的PCB裸板缺陷识别算法》2020.10.28
- 《表3 风载荷汇总表：基于双通道卷积神经网络的缺陷检测》2020.11.01
- 《表1 人工海水配方：基于双通道卷积神经网络的缺陷检测》2020.11.01
- 《表2 试验设计：基于双通道卷积神经网络的缺陷检测》2020.11.01
- 《表1 正确率测试结果：基于三流联合卷积神经网络的机械臂抓取检测》2020.05.01
- 《表2 速度测试结果：基于三流联合卷积神经网络的机械臂抓取检测》2020.05.01
- 《表4 测试集详细结果：基于深度残差全卷积网络的Landsat 8遥感影像云检测方法》2020.05.25
- 《表2 不同网络的性能：融合全卷积神经网络和视觉显著性的红外小目标检测》2020.07.01
- 《表1 参数配置：基于卷积神经网络的汽车涡轮增压器制造缺陷检测方法研究》2020.05.20
- 《表1 皮革缺陷描述：基于卷积神经网络与显著性特征的皮革缺陷检测》2020.06.01
- 《表2 7类红枣数量：基于网中网卷积神经网络的红枣缺陷检测》2020.02.01
- 《表1 卷积模型：基于R-FCN深层卷积神经网络的金属冲压件表面缺陷检测》2020.01.10
- 《表2 测试数据记录：卷积神经网络在指针缺陷检测系统中的应用》2019.12.01
- 《表1 测试数据记录：卷积神经网络在指针缺陷检测系统中的应用》2019.12.01
- 《表4 测试集统计情况：基于卷积神经网络的面部图像修饰检测》2019.09.30
- 《表1 网络结构：基于去噪卷积自编码器的色织衬衫裁片缺陷检测》2019.06.30
- 《表4 其他算法效果对比：基于卷积神经网络的主变压器外观缺陷检测方法》2019.04.25
- 《表1 算法运行硬件配置：基于卷积神经网络的主变压器外观缺陷检测方法》2019.04.25
- 《表1 缺陷检测结果统计：基于卷积神经网络的轮胎X射线图像缺陷检测》2019.04.10