《表2 不同检测方法单项AP对比》

  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YOLOv3网络的输电线路防震锤和线夹检测迁移学习》

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

为了验证本文改进训练方式在同类方法中的性能提升，针对本文使用的防震锤与线夹数据库，将本文使用的基于迁移学习的改进训练YOLOv3神经网络与三种常用输电线路目标检测方法进行对比分析。三种方法分别为基于小波矩与SVM的识别算法[9]，基于联合不变矩与小波神经网络的识别算法[7]，以及基于小波矩与小波神经网络的识别算法[8]。由于三类算法都是分类算法，因此需要搭配区域提议算法才能实现对场景图像的目标检测，因此将这三种识别方法搭配兼具准确性与速度的区域建议包围盒算法（Edge Box）进行横向对比实验。由于文献作者未提供源码，本文采用Matlab的Lib SVM工具库与小波神经网络工具箱进行算法复现，算法中各类参数依照文献选取最佳值。为保证模型的样本一致，三类方法准备的输入正样本皆为2.1节中防震锤线夹样本库中的标注框范围图像，对于需求负样的分类器，则提供等量非该类别图片或塔架图片作为负样本。模型训练完成后都对2.1节划分出的测试集进行检测实验。检测结果依照2.2节评估标准进行评估，每类方法单项AP对比如表2。