《表1 几种不同图像分类方法误差率比较》
为了进一步对分类算法的有效性进行验证,将本文LBP+自学习DBN+softmax组合的分类算法同其他四种有代表性的算法进行了对比,即极限学习机(ELM)[17]、支持向量机(SVM)[18]、反馈传播算法(BP)[19]、卷积神经网络(CNN)[20]。其中,ELM和SVM是浅层学习算法中使用比较广泛的两种算法。这里的ELM选取为单隐层的网络,隐层节点数为1 000,并结合使用Ada Boost算法克服ELM输出不稳定现象。SVM算法则选用高斯核函数,而BP算法的隐藏层数只有一层,隐层节点数也为1 000。CNN具备五层网络结构,包括两个卷积层、两个最大池化层、两个全连接层,同时结合使用了softmax分类器。各算法具体分类识别率对比如表1所示。通过比较,LBP+DBN+softmax组合算法性能优于浅层学习算法,也比其他深度学习算法在实木板材缺陷及纹理的识别方面表现得更好。
图表编号 | XD003923200 严禁用于非法目的 |
---|---|
绘制时间 | 2019.12.01 |
作者 | 胡忠康、刘英、周晓林、赵乾、沈鹭翔 |
绘制单位 | 南京林业大学机械电子工程学院、南京林业大学机械电子工程学院、南京林业大学机械电子工程学院、南京林业大学机械电子工程学院、南京林业大学机械电子工程学院 |
更多格式 | 高清、无水印(增值服务) |