《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》

  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

《基于实例分割的柑橘花朵识别及花量统计》

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

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。