《表2 算法检测用时Tab.2 Detection time of the algorithm》
(s)
在相同的实验条件下,实验对比了本算法与3种传统算法的缺陷识别效果。由于在工业生产过程中要求乳液泵缺陷检测的准确率和速率,所以对比指标设为测试集的准确度和单个样本的检测速率,分别如表1、表2所示。其中DBN(Deep Belief Nets)重构法利用样本集训练DBN网络以构建一个模板,再通过比较测试样本与模板的差异度最终验证样本是否存在缺陷。LBP(Local Binary Pattern)+SVM(Support Vector Machine),在训练过程中先提取样本的LBP特征,再结合SVM分类器训练缺陷检测模型以实现缺陷检测。Garbor+KLPP(Kernel locality preserving projections,KLPP)+MLP(Multi-layer perception)与上面方法类似,将样本进行Gabor变换并提取均值和方差特征,并使用KLPP法将特征进行降维,再输入至多层感知机(MLP)中训练分类器,实现缺陷乳液泵的检测。
图表编号 | XD0045470300 严禁用于非法目的 |
---|---|
绘制时间 | 2019.01.01 |
作者 | 马浩鹏、朱春媚、周文辉、殷春 |
绘制单位 | 电子科技大学自动化工程学院、电子科技大学中山学院、电子科技大学自动化工程学院、电子科技大学中山学院、电子科技大学自动化工程学院 |
更多格式 | 高清、无水印(增值服务) |