《表3 RBF核函数对样本的分类准确率》

  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

《基于深度学习的连铸坯表面缺陷检测》

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

AlexNet和NIN的测试结果分别用表6的7和混淆矩阵表示，总体准确率分别为89.3%和92.1%，NIN的准确率最高.两个混淆矩阵中第一类裂纹的检测效果最好，均可以达到92%以上；第二类无缺陷的图片在这两个模型中的误检率约为8%；第三类缺陷由于种类多，每种缺陷的数据较少，所以准确率相对于前两类较低，在AlexNet上的漏检率为20.4%，在NIN上的漏检率为12.0%，漏检率降低了8%.