《表2 与其他目标检测算法的性能对比》

  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

《基于改进RetinaNet的医用塑瓶装箱计数算法》

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

为了验证本文算法对装箱塑瓶检测的有效性，设计了实验2。将本文提出的改进Retina Net算法（Proposed）与机器学习算法Hough变换和深度学习目标检测算法YOLOv3和原始Retina Net算法在本文装箱测试数据集上进行性能对比。不同检测算法的漏检率、误检率、准确率以及每一张装箱图像的检测时间（FPS）的实验结果如表2所示。由表可知，Hough变换在本文的装箱数据集上漏检率和误检率均相对较高，准确率84.27%为最低，且检测时间最长为58ms。而本文提出的算法准确率达到最优99.98%，耗时33 ms。所以相比于机器学习算法，本文深度学习算法在精度和速度均取得较大优势。由于本文YOLOv3使用的是Tiny精简网络所以速度最快，在本文实验环境下每张图片的检测时间为22 ms，但是漏检率较高为3.10%，误检率为1.20%，检测准确率为96.84%。本文改进Retina Net算法相对于原始Retina Net算法在准确率和速度上均有提升。综合可得本文提出的改进Retina Net在保证速度的同时漏检率和误检率最低，达到了计数精度最优。