《表A2 SDD-VGG样本识别情况》

  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HSV特征变换与目标检测的变压器呼吸器缺陷智能识别方法》

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

由表4可知，采用SSD方法检测的精确率和召回率较低，分别为73.6%和67.0%。与SSD相比，本文所提方法对呼吸器缺陷具有较好的分类识别效果。附表A2所示为SSD方法样本的具体识别情况，该方法对局部变色识别的错误率较高，对密封不严和外观污染的漏检率较高，可能原因为：1）目标检测算法是通过学习目标的边缘、角点、纹理等特征实现的，而对颜色特征（如颜色比例、变色方向等）没有进行定量分析；2）数据包含2大类、7小类（包含背景）样本，不同类样本间容易混淆造成误判。如附表A2中正常样本和异常样本均包含局部变色（S2与S3），完全失效与外观污染具有近似特征（S4与S6）。