该图表为检测性能对比柱状图，对比 YOLOv8‑L、Grounding DINO、YOLOv13 以及本文所提出方法四套目标检测算法，从精确率、召回率、mAP@50、F1 值四项核心指标评估模型综合能力，纵坐标代表指标分数百分比。从整体数据表现来看，所提出方法在全部四项指标上均处于最优水平，精确率超过 95%，召回率接近 94%，mAP@50 与 F1 分数同样明显高于其余对比算法。Grounding DINO 综合性能排在第二位，精确率接近 93.9%，召回率约 92.4%，mAP@50 与 F1 分数均超过 93%。YOLOv13 各项指标中等，精确率约 93%，召回率约 91.9%，mAP@50 与 F1 数值基本持平。YOLOv8‑L 整体表现垫底，精确率约 92.5%，召回率不足 91%，mAP@50 与 F1 指标在四组模型中最低。通过多维度量化对比可以看出，本文提出的算法在检测精度、召回能力、综合平均精度以及 F1 综合得分上实现全面超越，验证该算法在目标检测任务上具备显著性能优势，为相关检测任务提供性能参考依据，无论开展模型对比实验的科研人员、调试目标检测算法的工程师还是阅读论文图表的学生都可以参考学习。