《表1 基于CNN算法的漂秧识别结果》
提示：宽带有限、当前游客访问压缩模式
单位：%
其中图2是采样图像中的一张，图3-图5表示识别出来的缺秧情况，通过CNN算法可以准确识别出缺秧情况。同样对漂秧图像进行识别处理，得到结果如表1所示。
| 图表编号 | XD00153541200 严禁用于非法目的 |
|---|---|
| 绘制时间 | 2020.08.15 |
| 作者 | 赵德安、赵璜晔 |
| 绘制单位 | 江苏大学电气信息工程学院、江苏大学电气信息工程学院 |
| 更多格式 | 高清、无水印（增值服务） |
相关图表
- 《表4 检测算法对比：基于改进Mask R-CNN的火焰图像识别算法》2020.11.01
- 《表2 基于CNN的识别算法资源计算量统计》2020.11.01
- 《表3 矿石分类结果比较：基于PSO-Faster R-CNN改进算法的矿石识别分类研究》2021.02.25
- 《表1 KNN识别石英石：基于PSO-Faster R-CNN改进算法的矿石识别分类研究》2021.02.25
- 《表2 识别实验结果数据：基于CNN算法的交通标志检测与识别》2020.06.25
- 《表1 检测实验结果数据：基于CNN算法的交通标志检测与识别》2020.06.25
- 《表4 检测结果对比表：基于Faster R-CNN算法的探地雷达管线目标智能识别》2020.06.30
- 《表3 网络参数设置：基于Faster R-CNN算法的探地雷达管线目标智能识别》2020.06.30
- 《表3 网络参数设置：基于Faster R-CNN算法的探地雷达管线目标智能识别》2020.06.30
- 《表1 测试结果：基于CNN的安全智能监测识别算法》2020.02.20
- 《表5 测试数据集：一种基于CNN与LSTM结合的微表情识别算法》2020.01.28
- 《表4 网络超参值：一种基于CNN与LSTM结合的微表情识别算法》2020.01.28
- 《表6 测试结果：一种基于CNN与LSTM结合的微表情识别算法》2020.01.28
- 《表9 实测数据识别结果：基于AD-CNN算法的配电网内部过电压识别技术》2019.10.31
- 《表8 物理仿真系统样本：基于AD-CNN算法的配电网内部过电压识别技术》2019.10.31
- 《表1 最优原子的参数：基于AD-CNN算法的配电网内部过电压识别技术》2019.10.31
- 《表3 算法结果对比：一种基于3D-CNN的微表情识别算法》2019.10.28
- 《表2 网络配置参数：一种基于3D-CNN的微表情识别算法》2019.10.28
- 《表1 试验结果：基于改进的Faster R-CNN算法的机械零件图像识别》2019.09.20
- 《表1 识别率展示：基于改进Faster R-CNN算法的光纤端子序号识别系统》2019.05.15