《表3 各算法分割精度及运行时间比较》

  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

《反卷积引导的番茄叶部病害识别及病斑分割模型》

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

分别使用9幅和45幅带病斑标注的图像作为训练样本，225幅图像作为测试样本，标注只分为前景和病斑部位而不考虑病害类别，试验结果取225幅图像测试结果的平均值。表3为各算法分割精度对比结果。由表3可知，DGVGGNet的分割精度相比于FCN-8s、U-Net和Seg Net有明显提高。DGVGGNet-9的分割精度与用45幅图像训练的其他网络相差不大，说明本方法在使用极少的训练样本时，也能达到较好的分割效果。U-Net-45和Seg Net-45高于FCN-8s-45，是因为FCN-8s上采样时只用到特征提取网络的后3个池化层输出的特征图，并没有融合低级语义特征，而其他3个模型都融合了低级语义特征。