《表3 改进前、后模型评价参数》

  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Faster RCNN模型在棉花异性纤维识别中的应用》

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

为验证改进模型的有效性，采用改进前、后模型对4种异性纤维进行识别，改进前、后模型评价参数如表3所示。可以看到，改进后模型（Faster RCNN Pro）的评价参数优于原始模型（Faster RCNN）。相对于原始模型，改进后模型的准确率、精度、召回率和F1分数分别提高了3.21%、0.90%、2.51%和0.017。对改进前、后模型的识别情况进行对比分析，改进前、后模型识别效果示例如图7所示。由图7可知，差异部分主要体现在三方面：1）在对小尺寸异性纤维的识别中，由于原始模型生成的最小候选框尺寸为128pixel，所以小尺寸异性纤维被识别为正样本的概率较小，对其特征的学习不充分，出现漏检的情况较多；2）在对长宽比较大的异性纤维识别中，由于原始模型生成的候选框最大长宽比为1∶2，无法满足大长宽比异性纤维的尺寸要求，将一个异性纤维识别为两个或多个异性纤维的情况较多；3）当多个异性纤维密集出现且距离较近时，由于原始模型特征提取步长较大，每一步提取到的特征较多，可能将多个相近的异性纤维误认为一个纤维或者发生重复识别的情况。