《表2 柑橘花朵识别模型中不同掩膜分支性能试验结果对比》

  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

在AP、ER和时间效率的对比分析后可以确认Res Ne Xt50和Res Ne Xt101都是本研究场景下较优的卷积主干网络，具有较高的精度和较低的错误率，因此在掩膜分支性能分析中，采用这2种网络作为对照。掩膜分支采用已知分类和未知分类的方法进行试验，并对模型的精度、误差率及时耗性能差异进行对比分析，见表2。此时Res Ne Xt101和Res Ne Xt50的AP分别为36.6和35.8，训练时间消耗为170和104 min，验证时间消耗为15和8 s，识别的花朵总数分别为907和903朵，漏数124朵和128朵，占实际总数1 031的12.0%和12.4%，即ER分别为12.0%和12.4%。改为采用未知分类的掩膜分支之后，Res Ne Xt101的AP与改进前相比降低了0.1，Res Ne Xt50的AP与改进之前相同，Res Ne Xt101和Res Ne Xt50的误差数为125和129，ER为12.1%和12.5%，较改进前误差率仅相差1/1031即不到0.1%；且训练时间消耗为159和92 min，较之前降低了6.5%和11.5%，验证时间消耗为15和8 s，与改进前几乎相同。本方法采用Res Ne Xt50作为其主干网络并且在掩膜分支中采用未知分类的训练方法，只输出1个掩膜为结果，在几乎不损失准确率、且不增加误差率的同时提高了模型训练和图像处理速率，更具有生产应用价值。