《表2 3种方法在玉米、杂草数据集上的测试结果》

  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Mask R-CNN的玉米田间杂草检测方法》

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

为了验证所提出的基于Mask R-CNN的杂草检测分割方法的有效性，本文将DeepMask[29]、SharpMask[30]方法与本文方法进行试验对比，DeepMask首先输出一个与类别无关的分割掩码，然后再输出该图像补丁在完整对象上居中的概率，DeepMask通过学习实例嵌入，将粗形状细化为实例级掩码。SharpMask是DeepMask的扩展，首先在前馈传递中生成粗略掩码编码，然后使用连续较低层的特征在自上而下的传递中细化此掩码编码，让掩码更好地粘附到对象边界。选用1 800幅玉米、杂草图像对3个方法进行测试比较，其中刺儿草、莎草、灰菜、早熟禾、玉米各360幅，在IoU为0.5时，3种方法的AP、m AP如表2所示，可以得知，本文方法在玉米杂草数据集上m AP可达到0.853，优于SharpMask、DeepMask的0.816、0.795，3种方法的单样本耗时分别为280、256、248 ms，可满足实时田间农药变量喷洒的控制要求。图5为玉米、杂草数据分割样例。由表2、图5可知，3种方法对刺儿草、灰菜的分割效果最好，对玉米、莎草的分割效果较差，原因可能是刺儿草、灰菜的圆形叶片比玉米、莎草的条形叶片更易区分。由图5可知，本文方法相对于DeepMask、SharpMask，不会出现欠分割、过分割的情况。综上所述，本文方法的分割效果优于DeepMask、SharpMask方法。