《表1 本文提出的算法和多种算法的正确率比较结果》

  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

《基于轻卷积神经网络的电力电缆绝缘损伤图像检测方法》

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

为了验证本文算法的有效性，表1展示了本文提出的算法和传统图像处理算法及其他卷积神经网络的识别正确率比较结果。传统图像处理算法使用HOG特征输入，测试了4种经典分类器的识别结果。包括具有10层隐含层的BP神经网络，KNN，袋装树模型（bagged tree，一种决策树模型）和SVM。训练样本统一采用正负样本各随机1 000个，测试5次取平均值的正确率计算模式。深度卷积神经网络包含一个简单卷积神经网络、经典ALexnet和本文采用的LightNet网络，简单卷积神经网络仅包含三层卷积层，每层采用3*3卷积核。表1中提供的训练epoch个数为多次测试的最优值。从表1中能够看出，传统特征提取加分类器架构的算法识别正确率在80%到90%之前，采用基于深度学习的算法能够明显提高电缆的正确检测率，即使仅包含三层卷积层的简单卷积神经网络也能够达到90%以上的正确率。而本文提出的算法的测试样本识别正确率大大高于其他几种算法，将识别正确率提高到99%以上。因此，本文提出的算法在针对电缆表面图像破损检测的应用中更具有实用价值。