《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》

  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

《基于深度学习的金属焊接管道内壁缺陷检测方法研究》

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

本试验运用不同的方法进行识别，从正确率和召回率进行比较，正确率是指正确标记目标类别的外围框数量与所有标记出的外围框数量的比值；召回率是指正确标记目标类别的外围框数量与所有标准的外围框数量的比值。根据管道缺陷类型不同，分成压坑、划伤、刺坑、焊渣、异物压入5大类，从这5类识别结果中最终得到平均正确率及平均召回率，结果见表1。从表1可以看出，改进后的Faster RCNN的平均正确率高于以ZFNet为卷积神经网络结构的Faster RCNN、以VGG为卷积神经网络结构的Faster RCNN以及SSD算法的平均正确率。