《表1 采集图像各种类型的分布情况》

  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Faster R-CNN的精密零部件的识别方法》

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

由于网上并没有完全适用于本文的开源数据集，因此本文构建了一个具有一定数量的惯性陀螺数据集。通过深度学习理论可知，数据集中图片越接近真实的应用场景，网络训练便越成功，最终网络的识别效率可能就会越高。鉴于上述理论，本文分析了惯性陀螺装配过程中的工作环境以及可能出现的干扰零部件，最终确定了白色、红色两种工作背景这两大类，以及每种工作背景颜色下，单独的惯性陀螺、惯性陀螺与电路板同时存在的复杂情况以及惯性陀螺被电路板遮挡的遮挡情况这三小类，共6种工作场景。为了充分考虑到经常出现的惯性陀螺被电路板遮挡这一情况，在采集图像时这种情况占数据集的比重较高，同时为了出现过拟合情况，没有一味地提高复杂情况照片的比重。最终确定单独物体、复杂物体、物体有遮挡三种情况1∶2∶2的比例，按照上述原则采集图片数据2000张。其中，两种颜色的背景红色与白色的图像各占约50%，即各1000张。在每种颜色背景的图片中，分别包含单独物体、复杂物体和有遮挡物体三种情况，具体数量如表1所示。