《表2 不同分类方法的性能对比》

  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

《基于机器视觉和轻量级卷积网络的安瓿瓶包装质量检测算法》

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

从表2可知，在模型参数量方面，本文提出的模型参数量为0.50×106，在所列深度学习模型中最少。在检测准确率方面，Shuffle Netv2准确率最高，达到99.99%，本文所提网络为99.94%，仅差0.05个百分点，LBP-ELM方法准确率最低。在检测耗时方面：LBP-ELM方法由于ELM的结构优势，因此速度最快，在计算机和Jetson Nano的CPU环境中分别为3.87 ms和10.25 ms；本文所提网络在三种硬件下检测耗时在所列深度学习模型中达到最优，分别为2.31 ms、7.82 ms、11.02 ms；Squeeze Net虽然参数量少，但是其仍有大量常规卷积计算，因此并未体现出有速度优势。由此看出，本文所提网络在参数量、准确率、检测速度三个指标上为所列方法中综合最优。在Jetson Nano平台上部署本文网络，以一盒五支装的安瓿瓶包装图像为例，整张图像预处理时间为15 ms，则检测时算法总体耗时70.1 ms，即可达到14盒/s，满足流水线上实时检测的要求。