《表3 各算法分割精度及运行时间比较》
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。
图表编号 | XD00167880900 严禁用于非法目的 |
---|---|
绘制时间 | 2020.06.01 |
作者 | 任守纲、贾馥玮、顾兴健、袁培森、薛卫、徐焕良 |
绘制单位 | 南京农业大学信息科技学院、国家信息农业工程技术中心、江苏省物联网技术与应用协同创新中心、南京农业大学信息科技学院、南京农业大学信息科技学院、南京农业大学信息科技学院、南京农业大学信息科技学院、南京农业大学信息科技学院 |
更多格式 | 高清、无水印(增值服务) |