《表2 部位组合及推理前后猪只整体和部位的检测结果》

  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YOLO v3与图结构模型的群养猪只头尾辨别方法》

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

%

为了验证本文方法的有效性，本文在测试集上进行了实验。表2为直接利用YOLO v3模型检测猪只整体及部位的结果和在此基础上进一步利用图结构模型进行部位组合和部位推理后的结果。从表2可以看出，YOLO v3模型在检测猪只整体方面可以获得较理想的结果。但由于头、尾部位的图像尺寸较小，使得图像中包含的视觉特征不足，头部和尾部检测的精确率和召回率均低于整体猪只的检测精度。同时也注意到，尾部检测的精确率和召回率略低于头部，这也符合图像的特点，即尾部图像相对于头部图像更缺乏明显的视觉特征，且相对于头部更容易因拥挤被遮挡，导致尾部检测的漏检增多。表2说明经过部位组合和部位推理等操作后，头部和尾部检测的精确率和召回率都有明显提升。一方面是因为成功推理出了部分缺失部位，另一方面是由于一些部位检测虚警（False alarms），未能与整体猪只相关联而被去除。由于部位组合后每头猪只整体都能确认一对头尾组合，因此漏检部位数与虚警部位数是相同的，这时精确率与召回率相等。