《表3 不同网络对番茄花朵识别结果分析》
不同网络对番茄花朵识别结果如表3,Mask R-CNN分类框与预测共享一个评价函数,导致在时间效率上和分割效果上不理想,Mask R-CNN网络不适应。在检测精度和召回率上SPP-Net与本文方法大致相同,而在检测时间和交并比低于本文方法,将本文方法部署到机器人上识别效率更快。在人工对原始图像处理后,Mask R-CNN网络检测时间最长,且各项指标均比先提取花束再进行花朵精准识别网络差,并且参数量大对硬件配置要求更高。而FE-FPN+SPP-Net网络和FE-FPN+Yolov3级联网络无需复杂的图像预处理过程,网络全局参数少,在空间复杂度和时间复杂度上更具有优越性。本文方法与原Yolov3对比试验得出,通过修改Darknet53网络后,本文方法平均检测精度比原Yolov3提高了2.47个百分点,比Mask R-CNN和SPP-NET分别提高了3.67和2.39个百分点。识别错误率比基础Yo Lov3网络降低了1.25个百分点,检测时间减少0.51 ms;特别是针对花蕾期和全开期的检测精度分别提高了7.43和3.8个百分点。
图表编号 | XD00206346200 严禁用于非法目的 |
---|---|
绘制时间 | 2020.12.01 |
作者 | 赵春江、文朝武、林森、郭文忠、龙洁花 |
绘制单位 | 上海海洋大学信息学院、北京农业智能装备技术研究中心、上海海洋大学信息学院、北京农业智能装备技术研究中心、北京农业智能装备技术研究中心、北京农业智能装备技术研究中心、上海海洋大学信息学院、北京农业智能装备技术研究中心 |
更多格式 | 高清、无水印(增值服务) |