《表3 不同网络对番茄花朵识别结果分析》

  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

《基于级联卷积神经网络的番茄花期识别检测方法》

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

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。