《表1 不同滑移量的实验结果对比》

  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

《基于卷积神经网络的钣金件表面缺陷分类识别方法》

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

该类钣金零件缺陷检测在实际工业生产中要求准确率应大于95%，平均单件检测时间应小于1s。根据窗口遍历检测方法的原理，滑移量的大小将直接影响缺陷检测的准确率和检测时间。为获取最优的滑移量，本研究分别选用窗口的1/4边长、1/2边长、3/4边长、边长的滑移量作为四组实验参数，并用于验证114张大小均为560×960的钣金件零件图。该批零件存在磕碰缺陷125处、划痕缺陷154处，共计279处。如表1所示为不同滑移量的实验结果对比。结果表明，滑移量大小为1/4边长的实验尽管检测并标注了所有缺陷，却有28处误检、且耗时较长；滑移量大小为3/4边长的实验出现8处漏检、13处误检；滑移量大小为边长的实验尽管耗时最少，却出现16处漏检、7处误检；而滑移量为1/2边长的实验结果最佳，仅2处漏检、6处误检且耗时满足工业要求。