《表4 采暖季发电量比较：基于Faster R-CNN的松材线虫病受害木识别与定位》

  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Faster R-CNN的松材线虫病受害木识别与定位》

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

%

使用只包含受害木信息的数据集2进行模型训练与检测。此外，使用原始锚框尺寸（{1282，2562，5122}）对2个数据集进行检测实验，所有实验使用的平台和参数设置都一致。表4为在不同模型下测试得到的IAP，表5为不同模型下受害木检测的准确率、召回率和F1值。对比表4中模型1、3和模型2、4发现，在相同的锚框尺寸下，数据集1训练模型比数据集2训练模型的受害木的IAP分别高5.38个百分点和6.14个百分点；同理，表5中模型1、2比模型3、4的F1值分别提高了5.22个百分点和6.10个百分点，此外准确率和召回率都有不同程度的提高；结果表明，由数据集1训练的模型在受害木识别上有更好的表现和检测精度。对比表4中模型1、2和模型3、4发现，在相同的数据集下，根据实际目标大小将锚框尺寸修改为{162，322，642}后，受害木的IAP分别提高了2.68个百分点和3.34个百分点，且模型1中其他枯死树和红色阔叶树的IAP均高于模型2，该结果与REN等[29]在小目标检测中根据真实目标大小修改锚框尺寸后得到的实验结果一致；同理，表5中模型1、3比模型2、4的受害木的F1值分别提高了0.68个百分点和1.56个百分点，准确率和召回率同样有小幅度的提高。结果表明，在使用基于深度学习的目标检测技术对受害木进行检测时，根据受害木冠幅大小修改锚框尺寸后并将松林中存在的其他枯死树和红色阔叶树的样本信息加入数据集并用于模型训练，能提高受害木识别效果和检测精度。