《表2 基于多种算法的布匹疵点判决结果对比》

  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

《深度学习在布匹缺陷检测中的应用》

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

本文总共通过3种方法来实现对布匹疵点进行检测作对比实验，除了本文研究的Inception-Resnet-v2外，还包括两种：1）通过选取灰度共生矩阵方法（GLCM）和SVM算法实现的布匹疵点的检测；2）通过灰度矩阵和BP神经网络的方法。其中，基于GLCM的方法主要是从每张样本图片的灰度矩阵中提取15维特征，包括小梯度优势、大梯度优势、灰度分布不均匀性、梯度分布不均匀性、能量、灰度平均、梯度平均、灰度方差、梯度方差、相关系数、灰度熵、梯度熵、混合熵、惯性、逆差矩。通过将3种方法用于表1所示的测试集中，最终得到的结果如表2所示。同时通过将测试集上的测试概率绘制成机器学习领域常用的评估曲线（ROC）如图10所示，从图10可以明显的看到，Inception-Resnet-v2的ROC曲线中真阳率基本贴近概率为1的水平线，可知该算法不论正负样本间的阈值如何设置，都可以显著地将正负样本分开，相比较于BP神经网络和SVM的ROC曲线，可以很明显地看到该深度神经网络在进行布匹缺陷判决中的优越性。