《表1 测试结果(个)：基于深度学习的混凝土表面缺陷检测方法》
提示：宽带有限、当前游客访问压缩模式
所训练网络在包含322张图片的测试集中（正样本46，负样本276）测试后统计分类结果如下表:
| 图表编号 | XD00162346200 严禁用于非法目的 |
|---|---|
| 绘制时间 | 2020.06.25 |
| 作者 | 翟磊、王会峰、丁光洲、杨文光、武泽键 |
| 绘制单位 | 长安大学电子与控制工程学院、长安大学电子与控制工程学院、长安大学电子与控制工程学院、长安大学电子与控制工程学院、长安大学电子与控制工程学院 |
| 更多格式 | 高清、无水印（增值服务） |
相关图表
- 《表1 模板匹配检测结果：基于模板匹配和深度学习的反光弧面缺陷检测》2020.10.20
- 《表1 En值比对数据：基于GoogLeNet深度迁移学习的苹果缺陷检测方法》2020.07.25
- 《表5 基于深度学习的缺陷检测方法》2020.11.01
- 《表2 基于深度学习的缺陷检测方法》2020.11.01
- 《表1 试验塘口情况表：基于深度学习的金属焊接管道内壁缺陷检测方法研究》2020.07.28
- 《表2 实验结果对比：基于深度学习的PCB缺陷检测研究》2021.03.15
- 《表1 欧洲锈蚀等级：基于深度学习目标检测的电力设备锈蚀缺陷检测算法》2020.12.05
- 《表1 摩擦系数测试结果：基于深度学习的磁瓦表面孔洞和裂纹缺陷识别》2020.11.25
- 《表2 杆件截面尺寸：基于深度学习的磁瓦表面孔洞和裂纹缺陷识别》2020.11.25
- 《表1 六组测试数据信息：基于改进相干增强扩散与纹理能量测度和高斯混合模型的导光板表面缺陷检测方法》2020.05.10
- 《表2 数据集组成：基于深度学习的工业自动化包装缺陷检测方法》2020.04.10
- 《表4 实验检测结果：基于深度学习的太阳能电池板缺陷检测模型设计》2019.12.10
- 《表1 缺陷形成原因：基于深度学习的太阳能电池板缺陷检测模型设计》2019.12.10
- 《表1 模型验证结果表：基于深度学习的目标检测算法在冷轧表面缺陷检测中的应用》2019.11.01
- 《表1 检测结果：基于深度学习的行人数量统计方法》2019.11.01
- 《表4 测试样本来源：基于深度学习的无人值守地面传感器目标检测与识别方法》2019.09.01
- 《表1 测试用例信息：基于深度学习的API误用缺陷检测》2019.05.01
- 《表1 测试用例信息：基于深度学习的API误用缺陷检测》2019.05.01
- 《表1 识别缺陷的个数：基于集成深度学习的玻璃缺陷识别方法》2019.02.25
- 《表2 分类算法对比结果：基于集成深度学习的玻璃缺陷识别方法》2019.02.25