《表1 模型结果对比:基于神经网络的磁瓦表面缺陷检测识别》
从图14可以看出,改进UNet模型的灵敏度明显好于UNet模型和文献[4]算法,这是由于改进UNet模型中的空洞卷积和更多的跳跃连接使得感受野更大,以及在解码层中吸收了更多的细节信息,提高了最终的检测精度。另外,三种算法的正确率和特异度都比较大,这是由于图像中负样本数量远大于正样本数量所致。其中各评价指标具体数值如表1所示,改进的UNet模型的灵敏度能够达到平均93%的像素级精度,表明93%的缺陷区域被正确预测。
图表编号 | XD0052154700 严禁用于非法目的 |
---|---|
绘制时间 | 2019.08.20 |
作者 | 刘畅、张剑、林建平 |
绘制单位 | 同济大学机械与能源工程学院、同济大学机械与能源工程学院、同济大学机械与能源工程学院 |
更多格式 | 高清、无水印(增值服务) |