《表1 模型构建方式：基于改进卷积神经网络的管焊缝X射线图像缺陷识别方法》

  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

《基于改进卷积神经网络的管焊缝X射线图像缺陷识别方法》

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

对于卷积神经网络模型，根据输入层的大小可以适当的调节卷积神经网络的各连接层及深度，随着模型深度的增加，学习效果也越好，但是增加网络的深度会增加计算时间及训练数据量，在训练数据不充足的情况下也会增加过拟合的风险，因此在试验中增加网络层深度并不是网络模型的首选[10].在建立卷积神经网络模型中有效地选择网络参数来获得具有最小层数的最大输出，通过连接各特征面的局部感受野，映射输入图像的原始像素以分层方式提取各层感受野范围内的特征，并利用权值共享策略降低神经网络中的数据量，额外改变激活函数来减小模型的复杂度使网络更易于训练.为验证文中采用方法的有效性，分别构建名为CNN-1，CNN-2和CNN-3的模型，CNN-1模型在CNN-2模型基础上将E层转换为RELU激活函数，CNN-3模型对采用SLIC方法获得的图像数据进行训练，各模型构建方式如表1所示.