《表3 不同分割方法对评价指标的影响》

  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

《基于改进全卷积神经网络的玉米叶片病斑分割》

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

为了测试分割性能，使用不同的分割方法对玉米叶部病斑图像进行分割实验，在实验中依次挑选了六种不同的图像分割网络结构，分别是FCN-8s、DeepLabV3、PSP-Net、U-Net、SegNet和JointNet[18]，另选择逻辑回归和SVM两种传统的图像分割方法。不同分割方法的分割效果如图6所示。从图中可以看出，FCN-8s具有明显的错分现象；DeepLabV3对比FCN具有较好的分割效果，但是只能分割出较大的病斑，对小病斑的分割精度较差；PSP-Net分割效果不错，对病斑的细节处理也较为准确，但仍存在一定的错误分割；U-Net、SegNet和JointNet与本研究模型架构相同，但这三种方法对玉米病害叶片的细节特征分割效果较差，不能完整分割出粘连的病斑区域，而且部分正常区域被误分为病害区域；逻辑回归和SVM两种传统的分割方法在分割效果上基本相同，都较为准确地分割出了病斑部分，但是由于运用了数学形态学处理，导致图像的局部边缘信息丢失，而且较小的病斑区域也出现过分割现象[19]；本文分割方法在保证病斑整体性的同时，突出了小病斑区域分割的整体性。针对不同的分割方法，在测试集图像上进行分割效果比较，评价指标如表3所示。