《表4 不同生猪计数网络测试结果对比》

  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

《基于改进实例分割算法的智能猪只盘点系统设计》

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

对于猪只密度较大的内蒙古猪场，由于猪只挤压、变形以及遮挡现象很严重，并且现场图像背景干扰较多，50张测试图像的计数准确率为86%，有7张图像存在漏检，4张图像漏检1个目标，3张图像漏检2个目标，模型精度有一定的提升空间，也是后期计数网络改进优化的重点方向。表4为相同试验条件下Yolov3，Faster R-CNN，Mask R-CNN和本文网络对250测试集图像的速度与精度对比。由表4可知，Yolov3检测速度非常快，但对于遮挡目标和密集目标检测效果较差，Faster R-CNN采用两阶段框架，检测效果有所提升，Mask R-CNN增加掩膜分支，精度进一步提高。本文对Mask R-CNN网络结构进行增强，增加了网络的复杂度，在提升精度的同时也导致运算成本增加，检测图像的平均耗时增加。