《表1 2种模型测试对比：改进YOLOv3网络提高甘蔗茎节实时动态识别效率》

  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

《改进YOLOv3网络提高甘蔗茎节实时动态识别效率》

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

根据实际切种需要，为了能够获取切刀位置，需对茎节完成定位，本文通过从150张测试图片中随机选取10组100张测试图片进行测试计算，图片包含多种光照强度以及甘蔗表面泥土等因素的照片。测试茎节平均每组1 734个，改进模型识别茎节目标平均每组1 622个，其中50个目标为FP，1 571目标为TP，原始模型识别茎节目标平均每组1 570个，其中39个目标为FP，1 531目标为TP。模型的测试性能可由AP值，准确率P值以及召回率R值表示。由于P值与R值之间的关系当一个值变大时，另一个将变小，本文要得到两个的平衡点，所以根据实际切种需求。通过设置不同的score值与IoU值测试结束后得到的最优模型，10组模型性能试验平均值对比如表1所示，平均AP值为90.38%，平均P值为96.89%，平均R值为90.64%，平均识别时间为28.7 ms。相对于原始网络，平均AP提高2.26个百分点，平均P值降低0.61个百分点，平均R值提高2.33个百分点，识别时间减少22.8 ms。