《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》
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。
图表编号 | XD00199346800 严禁用于非法目的 |
---|---|
绘制时间 | 2020.12.01 |
作者 | 邱吕、任德均、郜明、付磊、吴华运、胡云起 |
绘制单位 | 四川大学机械工程学院、四川大学机械工程学院、四川大学机械工程学院、四川大学机械工程学院、四川大学机械工程学院、四川大学机械工程学院 |
更多格式 | 高清、无水印(增值服务) |