《表2 使用不同扩展方法的训练结果》

  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

《基于风格迁移的交互式航空发动机孔探图像扩展方法》

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

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%。