《表2 算法检测用时Tab.2 Detection time of the algorithm》

  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

《基于深度学习的乳液泵缺陷检测算法》

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

（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。