《表1 缺陷分类结果：基于独立成分分析的焊缝缺陷识别》
提示：宽带有限、当前游客访问压缩模式
实验中分别采用100张圆形缺陷和100张线形缺陷，通过独立成分分析进行特征提取，再通过支持向量机算法进行分类识别，实验结果如表1。
| 图表编号 | XD0096232400 严禁用于非法目的 |
|---|---|
| 绘制时间 | 2019.05.05 |
| 作者 | 栗芝、穆向阳 |
| 绘制单位 | 西安石油大学电子工程学院、西安石油大学电子工程学院 |
| 更多格式 | 高清、无水印（增值服务） |
相关图表
- 《表2 诊断结果比较：基于一维卷积神经网络焊缝缺陷X射线图像的分类方法研究》2020.10.15
- 《表2 缺陷分类实验结果：基于加权马氏距离多核学习的外观缺陷分类》2020.10.20
- 《表3 基于粘接状态评估的识别方法缺陷识别结果》2021.01.15
- 《表2 基于红外线的识别方法缺陷识别结果》2021.01.15
- 《表1 算法识别结果：基于机器视觉的胡萝卜表面缺陷识别方法研究》2020.11.18
- 《表1“踏碓”分类表：基于Faster-RCNN的输电线部件识别和缺陷检测研究》2020.11.15
- 《表4 缺陷分类结果：基于PCA和粒子群优化算法的焊点缺陷识别》2020.05.25
- 《表1 试块制备情况：基于频谱分析的桩基缺陷识别方法研究》2020.06.25
- 《表1 模型构建方式：基于改进卷积神经网络的管焊缝X射线图像缺陷识别方法》2020.01.25
- 《表1 缺陷分类识别效果：基于超声相控阵对焊缝缺陷的检测研究》2020.03.10
- 《表3 基于独立成分分析的提取系统缺陷识别精度》2020.01.15
- 《表5 涂层质量检测要求：基于钢结构焊缝缺陷的无损检测技术应用分析》2019.12.20
- 《表1 缺陷分类识别结果》2019.08.20
- 《表1 笔管缺陷的识别与分类精度》2019.06.28
- 《表2 BP神经网络模型的焊缝表面缺陷分类结果》2019.07.20
- 《表2 缺陷分类结果：基于神经网络的磁瓦表面缺陷检测识别》2019.08.20
- 《表1 模型结果对比：基于神经网络的磁瓦表面缺陷检测识别》2019.08.20
- 《表4 SVM焊缝缺陷分类结果对比Tab.4 Classification results of weld defects by SVM》2019.01.25
- 《表3 SVM焊缝缺陷分类结果Tab.3 Classification results of weld defects by SVM》2019.01.25
- 《表2 分类算法对比结果：基于集成深度学习的玻璃缺陷识别方法》2019.02.25