OEM Bagong Common Rail Valve Assembly F00VC01329 Para sa 0445110168 169 284 315 injector

Defect detection ng automotive injector valve seat batay sa feature fusion(bahagi 3)

Bilang isang resulta, sa pagtuklas ng upuan ng balbula ng injector, ang larawan ay kailangang i-compress, at ang laki ng larawan ay naproseso sa 800 × 600, pagkatapos makuha ang pinag-isang standard na data ng imahe, ang paraan ng pagpapahusay ng data ay ginagamit upang maiwasan ang kakulangan ng data, at ang kakayahan ng paglalahat ng modelo ay pinahusay. Ang pagpapahusay ng data ay isang mahalagang bahagi ng pagsasanay ng mga modelo ng malalim na pag-aaral [3]. Sa pangkalahatan, mayroong dalawang paraan upang madagdagan ang data. Ang isa ay upang magdagdag ng isang layer ng perturbation ng data sa modelo ng network upang payagan ang imahe na sanayin sa bawat oras, may isa pang paraan na mas diretso at simple, ang mga sample ng imahe ay pinahusay ng pagproseso ng imahe bago ang pagsasanay, pinalawak namin ang set ng data gamit ang mga paraan ng pagpapahusay ng imahe gaya ng geometry at color space, at gamitin ang HSV sa color space, tulad ng ipinapakita sa Figure 1.

Pagpapabuti ng Mas Mabilis na R-CNN defect defection model Sa Faster R-CNN algorithm model, una sa lahat, kailangan mong i-extract ang mga feature ng input picture, at ang mga na-extract na feature na output ay maaaring direktang makaapekto sa final detection effect. Ang core ng object detection ay feature extraction. Ang karaniwang feature extraction network sa Faster R-CNN algorithm model ay ang VGG-16 network. Ang modelo ng network na ito ay unang ginamit sa pag-uuri ng imahe [4], at pagkatapos ay naging mahusay ito sa semantic segmentation [5] at saliency detection [6].

Ang feature extraction network sa Faster R-CNN algorithm model ay nakatakda sa VGG-16, kahit na ang algorithm model ay may magandang performance sa detection, ginagamit lang nito ang feature na output ng mapa mula sa huling layer sa image feature extraction, kaya magkakaroon ilang mga pagkalugi at ang tampok na mapa ay hindi maaaring ganap na makumpleto, na hahantong sa hindi tumpak sa pagtuklas ng mga maliliit na target na bagay at makakaapekto sa panghuling epekto ng pagkilala.