《表3 MCDDF模型性能改进对比》

  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

《基于深度学习的铁路关键部件缺陷检测研究》

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

表3对比了FasterR-CNN方法与采取改进策略的MCDDF缺陷检测性能，“+”指模型选用表第一列所述的改进策略。结果显示，对照模型在该检测任务下的mAP值为0.651，各改进方案对检测性能的贡献如下:特征提取网络模型贡献为9.98%，RPN改进模型贡献为2.93%，多通道检测模型贡献为3.53%，采用超分辨率策略的MCDDF方法的mAP值为0.792，性能提升21.66%。实验证明本文提出的MCDDF方法在缺陷检测任务中表现优异。图8为高铁关键部件缺陷标注数据集典型测试图例，其检测结果能够代表本文提出的MCDDF方法在小目标缺陷检测及缺陷部件与正常部件相似性较高情况下的检测效果，其中紫色框代表检出的正样本，其他颜色框代表检出的缺陷样本，检测结果显示Faster R-CNN对照方法应用于缺陷检测任务时，虽然正样本检出效果尚可，但对含缺陷部件存在大量漏检的情况。MCDDF未出现漏检情况，对含缺陷部件特别是小尺寸部件具有更优的检测效果。