《表2 使用不同扩展方法的训练结果》
为了进一步验证本文数据扩展方法的有效性,使用Mask R-CNN(Mask Region-based Convolutional Neural Network)作为检测识别网络,分别用传统的数据扩展方法和本文方法扩展训练数据后,进行孔探图像的缺陷检测实验。实验选取了90张只含有烧蚀缺陷的发动机孔探图,从中随机选取58张作为训练集、18张作为验证集、14张作为测试集。针对训练集,分别使用传统扩展方法与本文方法扩展10倍,记为D_ext10和D_Iext10。实验结果如表2所示,其中AP(Average Precision)表示平均精确度,AP(0.5)表示以0.5为交并比(Intersection over Union,Io U)临界值估计出平均精确度,AP(0.75)表示以0.75为Io U临界值估计出平均精确度。可以发现,使用本文方法扩展后的数据作为训练集,在检测和分割任务的精度上都有所提升。其中,在检测任务上其AP提高了0.226,在分割任务AP上提高了0.204。相较于传统的数据扩展方法,本文方法可以使得模型的检测和分割AP在原有基础上分别提高99.5%和91.9%。
图表编号 | XD00197779100 严禁用于非法目的 |
---|---|
绘制时间 | 2020.12.10 |
作者 | 樊玮、段博坤、黄睿、刘挺、张宁 |
绘制单位 | 中国民航大学计算机科学与技术学院、中国民航大学计算机科学与技术学院、中国民航大学计算机科学与技术学院、中国民航大学计算机科学与技术学院、厦门航空信息部 |
更多格式 | 高清、无水印(增值服务) |