《表5 本文模型和微调后的Faster R-CNN模型的检测召回率和m AP的对比》

  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

《基于动态焦点损失函数和样本平衡方法的绝缘子缺陷检测方法》

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

为探究样本不平衡程度对本文方法的影响，本文改变不同缺陷样本数量之间的比例，并分别使用Faster R-CNN模型和本文模型进行训练和测试，结果如图5所示。在保持训练集中绝缘子掉串样本数量为420个不变的情况下，通过改变绝缘子脏污和绝缘子破损这2种缺陷的训练样本数量，从而改变3种缺陷样本数量的比例。实验中绝缘子脏污和绝缘子破损的样本数量依次为60、40、20、10，对应的绝缘子掉串、绝缘子破损、绝缘子脏污缺陷样本数量之比依次为7∶1∶1、10.5∶1∶1、21∶1∶1、42∶1∶1，由于未改变绝缘子掉串缺陷训练样本数目，其不同测试结果无明显差距，因此为简洁起见没有在图5中显示。从图5中可以看出，随着训练样本的减少，2种方法的测试结果均有显著降低，但是本文模型在7∶1∶1、10.5∶1∶1和21∶1∶1的比例下，相比于Faster R-CNN模型的测试结果有明显的提高。在训练样本数量过低（仅为10个）的情况下，2种模型均无法进行正常检测。这说明本文方法对于目标检测任务中的样本不平衡问题有较好的解决能力，而在训练样本过少（本文中为绝缘子缺陷数据集单类不超过10个样本）的情况下，性能显著下降。