《表1 基于不同特征提取网络的不同病害检测的准确性》

  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

《基于深度学习与复合字典的马铃薯病害识别方法》

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

采用不同深度的特征提取网络训练检测模型后，病斑目标的检测精度存在差异性，为验证特征提取网络深度对检测精度的影响，试验选择AlexNet和VGG-16网络对马铃薯病害叶片数据集进行测试，不同深度特征提取网络的检测结果如表1所示。总体来看，基于AlexNet网络训练的病斑检测模型对3种病害类型的平均检出率和检测框平均精度分别为93.20%和71.90%，而基于VGG-16网络训练的病斑检测模型其病害平均检出率和检测框平均精度分别为95.06%和84.63%。2种网络对平均检出率影响不大，而对于检测框平均精度，VGG-16网络比AlexNet网络提高了12.73个百分点，表明VGG-16网络的检测精度相对较高，并且特征网络层数越深，提取图像的特征信息维度越高，检测精度也越高。鉴于VGG-16网络的优势，本文对病斑区域的检测阶段采用基于VGG-16特征网络的Faster R-CNN算法。