《表1 电熔镁炉欠烧工况的诊断率 (%)》

  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

《基于时序图像深度学习的电熔镁炉异常工况诊断》

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

从表1可以看出，由于缺少在时间维度上的特征提取，文献[21]中的卷积神经网络模型的总诊断率最低；文献[12]中的循环神经网络模型由于缺少对图像序列中每个像素的领域像素进行编码（即空间特征提取）而导致总的诊断率低于本文提出的方法；本文提出的CNN与RNN结合的方法通过对图像序列的空间特征和时序特征同时进行提取，从而能够达到较高的诊断率，且误诊断率较低（对本次实验的序列4和5，误诊断率为0）.