《表1 深度网络模型对比:基于Faster R-CNN深度网络的油菜田间杂草识别方法》

《表1 深度网络模型对比:基于Faster R-CNN深度网络的油菜田间杂草识别方法》   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Faster R-CNN深度网络的油菜田间杂草识别方法》


  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

根据模型评价,本实验对精确度与召回率两项指标以及F1值与检测时间(单张图像)进行了详细对比,深度网络模型的对比结果如表1所示。基于VGG-16、ResNet-50和ResNet-101特征提取网络,SSD深度网络模型和Faster R-CNN深度网络模型分别对油菜与杂草图像数据集进行目标识别。通过对比可知,相较于其余两种特征提取网络,在单张图像检测时间相差不大的情况下,VGG-16特征提取网络在SSD深度网络模型和Faster R-CNN深度网络模型上均表现出优良性能。特别是,基于VGG-16特征提取网络的Faster R-CNN深度网络模型对油菜与杂草目标的识别精确度达到83.90%,召回率达到78.86%,明显优于其余两种特征提取网络。通过对SSD深度网络模型和Faster R-CNN深度网络模型进一步对比,在采用相同的特征提取网络(VGG-16)的条件下,虽然SSD深度网络模型在检测时间上表现出优势,但是在精确度与召回率两项指标上,Faster R-CNN深度网络模型依旧表现出优良的性能。