《表3 不同条件下BCIGM对训练速度的影响》

  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

《复杂背景下基于图像处理的桥梁裂缝检测算法》

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

DCGAN与BCIGM生成裂缝的可视化对比如图6所示，对应实验1的结果。ReLU与SeLU生成裂缝的可视化对比如图7所示，对应为实验2的结果。表3为实验3的结果。通过观察实验1的2组图像可以看出，原DCGAN模型生成的裂缝图像网格现象严重，且学习到第16个Epoch时才初步出现条状裂缝特征，而所提出的BCIGM最后生成的裂缝图像清晰，基本无网格现象，与真实采集到的裂缝图像相似度极高，并且第3个epoch就出现了连接的线性裂缝特征。通过观察实验2可以看出，采用ReLU激活函数的BCIGM在第3个epoch时仅出现了不连续的黑色裂缝点，而采用SeLU激活函数的BCIGM出现了连续的裂缝雏形，除此之外，最后生成的裂缝图像也更加清晰，更符合实际场景下拍摄的裂缝图像，更重要的是提高了模型的稳定性，在测试期间没有出现任何一次模型崩塌现象。通过观察表3可以看出增加了1×1卷积核以后的BCIGM训练速度变快，虽然每个batch提升速度不多，但当训练数据集庞大，epoch增加时，仍然可以极大地缩短计算时间。