《表2 不同检测模型的检测性能对比》

  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的精密零部件的识别方法》

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

根据模型评价指标，同时为了验证Faster R-CNN网络在此种应用环境下的优越性，将本实验在相同配置条件以及工作环境下做了Faster R-CNN与其他现行流行程度较高的深度学习目标检测网络性能对比，结果如下表2所示。SSD、Fast R-CNN深度学习模型分别对测试集图片进行识别。通过结果对比可知，相较于另外三种目标识别网络，Faster R-CNN网络表现出一定的优良性能，在准确率以及召回率方面都有着很大的差异。但是也可以看出，SSD这类单步法的深度学习算法在识别速度方面有着很大的优势，但是识别精度以及召回率劣势太大，如图9所示，SSD很容易出现遮挡情况下无法召回物体的情况。随着现在硬件设备的不断升级换代，识别速度可以被硬件设备进一步弥补。目前得到的Faster R-CNN的15FPS的识别速度，已经可以满足很多的应用场景。综合上述分析，虽然SSD网络在识别速度方面表现出了很大的优势，但是因为准确率以及召回率这两项指标的巨大优势，Faster R-CNN网络在本文的应用场景之下具有更优良的性能。