《表3 紧固件检测网络分类器性能对比结果》

  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2阶级联轻量级卷积神经网络的高铁接触网悬挂紧固件缺陷识别方法》

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

为了评估端到端联合训练的分类器在整个紧固件检测网络中的作用及性能，将测试集中100张接触网悬挂支柱图像自动裁剪为（512×512）像素图像块，其中，大约有554个包含目标紧固件的图像块。分类器评估依据为是否将含有目标紧固件的图像块分类正确，试验结果见表3。表中：Res Net-50是在Image Net预训练后利用紧固件图像数据微调的结果。由表3可以看出：端到端训练的ModelⅠ分类器性能最好，其召回率高于Res Net-50和ModelⅡ；只训练分类器部分的ModelⅡ分类器，其准确率和召回率较ModelⅠ分类器均大幅降低，表明检测器和分类器相互增强机制的重要性，检测器提取到更精细的特征能抑制分类器的假阳性样本；另外，时间消耗表明，轻量级的特征提取网络使得分类器的推理时间为8.62 ms，比复杂的Res Net-50分类器效率高。因此，端到端联合训练的分类器能有效过滤掉大量无目标紧固件的图像块，减少检测器的计算量，同时，检测器提取到更精细的特征能促使分类器更精确。