《表1 优化网络结果对比:基于改进Fast-SCNN的塑瓶气泡缺陷实时分割算法》
本系列图表出处文件名:随高清版一同展现
《基于改进Fast-SCNN的塑瓶气泡缺陷实时分割算法》
为了验证本文所提改进Fast-SCNN的有效性与可行性,对比三组不同的Fast-SCNN改进网络,三组改进网络如下:1)二级浅层特征Fast-SCNN(Both Shallow Feature Fast-SCNN,BSF Fast-SCNN)。考虑到原网络在全局特征提取并融合浅层特征后直接上采样8倍,在一定程度忽略网络的细节信息,故将网络下采样1/4后的特征添加进网络的后继预测层之前,使网络在预测时上采样为4倍。2)三级浅层特征Fast-SCNN(Three Shallow Feature Fast-SCNN,TSF Fast-SCNN)。在BSF Fast-SCNN的基础上对金字塔池化后的上采样4倍改为2倍,同时在下采样到1/8后继续下采样到1/16,并添加两次特征融合,其网络结构图为图2(b)去除SELayer模块后所示。3)四级融合SElayer浅特征Fast-SCNN(Four SELayer Shallow Feature Fast-SCNN,FSSF Fast-SCNN)。将网络下采样1/2的特征添加进改进Fast-SCNN,同时在网络上采样为1/2特征时融合SELayer特征。在气泡训练数据集上对原始Fast-SCNN网络、改进Fast-SCNN与上述三个改进网络(BSF Fast-SCNN、TSF Fast-SCNN、FSSF Fast-SCNN)进行实验,其中网络的超参数为:输入图片尺寸为320×450像素,学习率为0.001,训练轮数为96。在605张测试图片上得到如表1所示的分割性能。
图表编号 | XD00163195900 严禁用于非法目的 |
---|---|
绘制时间 | 2020.06.10 |
作者 | 付磊、任德均、吴华运、郜明、邱吕、胡云起 |
绘制单位 | 四川大学机械工程学院、四川大学机械工程学院、四川大学机械工程学院、四川大学机械工程学院、四川大学机械工程学院、四川大学机械工程学院 |
更多格式 | 高清、无水印(增值服务) |