《表1 实验结果对比：一种基于Cascade R-CNN的电子器件容器质检方法》

  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

《一种基于Cascade R-CNN的电子器件容器质检方法》

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

表1给出了4种方法在实验的准确率P、召回率R、F1Score及单帧检测时间等值。由表1中数据可知，同样是Res Net50的基础网络载入相同的COCO数据集预训练模型，当使用交叉熵作为损失函数时，最终的F1Score是0.62。在同样的条件下，将损失函数换成Focal Loss，让已经训练差不多的目标模型在预训练模型上更细致地调整参数，得到更高的分数为0.67。升级DCNv1到DCNv2，发现分数继续上升，这是因为DCNv2对于形变目标的学习能力比DCNv1更强，不仅能获取更多有效的信息，而且获取的信息更加准确，从而实现信息的精确提取。而本文模型基于Res Net50的基础网络，针对数据集的特点，添加DCNv2，损失函数改成Focal Loss，并且使用多尺度训练和测试推理，经过处理后，获得0.82的分数。从召回率来看，本文方法的结果能够查找到更多的目标。相比于其他3种方法，本文方法的效果更好，可以满足复杂环境下对模型鲁棒性的验证。从单帧检测时间来看，方法1虽然检测时间用时短，但准确率不高，而其余3种方法的用时与方法1相差不大，在可接受的范围内。通过实验综合结果的验证，本文方法比其余3种方法有更好的提升效果。