《表1 芯片级原子钟识别定位结果对比》

  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

《芯片级原子钟核心器件识别与位姿测量》

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

实验结果如表1所示，Adaboost集成学习方法联合多个弱分类器的结果，在弱分类器基础上对困难样本做新的预测分类，对正负样本的数量和质量都有很高要求，由于微器件的特征信息相对单一，新集成弱分类器很难在前面基础上找到新的分类特征，所以集成学习方法检测结果并不高，芯片级原子钟器件的识别准确率不到40%，本文并未做结果展示。YOLOv5的检测结果如图8(a）所示，其识别准确率达到97%，但YOLOv5处理一张图像的时间长达1.4s，处理速度难以满足测量实时性的要求。本文提出方法的识别定位结果如图8(b）和8(c）所示，在未增加困难样本的情况下，训练模型识别准确率为88.1%，对于微器件处于边界的情况，存在漏检和误检。增加遮挡样本和困难样本之后，SVM检测器对于边界物体的检测准确度有很大提升，在微器件遮挡不超过30%前提下，可以检测出微器件所在位置。检测准确率均达到95%以上。对于光源强度不稳定导致图像模糊情况，实验所训练模型都有良好的表现。