《表4 各模型检测性能比较》
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
《结合KL散度和形状约束的Faster R-CNN典型金具检测方法》
为了可以更加直观地展现本方法高精度的检测性能和针对性的改善效果,本文增加了对检测数据结果的可视化实验。图7(a)、(c)、(e)是仅使用调整后的Faster R-CNN模型对金具图像测试集中部分图像的检测结果,图7(b)、(d)、(f)是使用结合形状约束和KL散度的联合损失函数方法的检测结果,包括检测得到的目标类别、得分和边界框。图7的每个子图中,同一目标的不同框分别是模型预测边界框和标注边界框,预测边界框和标注边界框重合时模型边界框的回归精度最高。由图7(a)和图7(b)可以看出,通过改进后,同一目标上2个框的相符度明显提高,没有出现严重的检测框变形情况,也没有将过多冗余信息归在检测框内。如图7(c)所示,改进前重锤预测边界框明显过于扁长,并且部分重锤目标检测丢失,检测框并没有很好地与目标切合。图7(e)中其中一个提包式悬垂线夹由于受到了另一个同类金具的干扰,导致其在图像中的轮廓形状等特征显示不完整,而Faster R-CNN模型对这种情况并没有很好的泛化能力;但是在加入形状约束后,模型对这种干扰情况能够较完整地检测出来,如图7(f)所示,模型的泛化性能有显著的提高。
图表编号 | XD00189835100 严禁用于非法目的 |
---|---|
绘制时间 | 2020.09.30 |
作者 | 赵振兵、李延旭、甄珍、翟永杰、张珂、赵文清 |
绘制单位 | 华北电力大学电气与电子工程学院、华北电力大学电气与电子工程学院、华北电力大学电气与电子工程学院、华北电力大学控制与计算机工程学院、华北电力大学电气与电子工程学院、华北电力大学控制与计算机工程学院 |
更多格式 | 高清、无水印(增值服务) |