《表1 柑橘花朵识别模型中不同卷积网络性能试验结果对比》
注:FPN为特征金字塔;平均精度AP表示IoU在0.5~0.95范围内每0.05取值一次下的平均值;IoU是“预测边框和实际边框”的交集与其并集的商;ER为误差率。
经过拟合泛化能力的确认,可知4种卷积主干对本模型和样本有效可用。在此基础上,需要通过对比它们对模型整体的性能影响以得到最优选择。由于本模型需要识别柑橘花朵和花苞2种物体类型,因此m AP=AP(花朵)+AP(花苞))/2。表1是不同主体卷积网络的AP(IoU取0.5~0.95阈值下的平均值)、AP50(IoU取0.50)、AP75(IoU取0.75)及ER值的对比。Res Ne Xt101作为主干具有最高的精准度和最低的误差率,其次为本研究采用的Res Ne Xt50,它们的AP值仅相差0.8,ER相差0.4%,而Res Net101稍低于Res Ne Xt50,远高于Res Net50。在NVIDIA Quadro M4000显卡逐一处理图片的条件下,AP值较高的Res Ne Xt50和Res Ne Xt101耗时分别为104分钟和170 min,识别单张图像平均耗时分别为8和25 s。Res Ne Xt50的训练耗时和识别耗时分别为Res Ne Xt101的61%和53%,极大程度的提升了花朵图像的识别处理速率。耗时较少的Res Net50和Res Ne Xt50相比,虽然训练时间和验证时间Res Net50都少于Res Ne Xt50,但差距不大,且Res Ne Xt50的精度和误差率明显高于Res Net50。因此,可以优先采用精度相差不大但耗时更短的Res Ne Xt50作为卷积主干网络。
图表编号 | XD00167845700 严禁用于非法目的 |
---|---|
绘制时间 | 2020.04.01 |
作者 | 邓颖、吴华瑞、朱华吉 |
绘制单位 | 国家农业信息化工程技术研究中心、北京市农业信息技术研究中心、农业农村部农业信息软硬件产品质量检测重点实验室 |
更多格式 | 高清、无水印(增值服务) |