Naujas įpurškimo adatos Common Rail vožtuvas F00VC01362 0445110302 0445110303

Dėl spartaus visuomenės vystymosi automobiliai tapo vis svarbesniu keliavimo įrankiu kasdieniame gyvenime. Kaip įtaisas benzinui įpurkšti į automobilių cilindrus, automobilių purkštukų vožtuvo lizdas atlieka labai svarbų vaidmenį kontroliuojant degalų kiekį. Kaip pagerinti dalių kokybę tapo svarbiu susirūpinimą keliančiu klausimu, tačiau dėl mažo dalių dydžio jį lengva apriboti apdorojimo technologija. Gamybos proceso metu viduje neišvengiamai paliks įbrėžimų, defektų, rūdžių dėmių, baltų dėmių ir kitokio pobūdžio defektų, kurie turi įtakos automobilinio purkštuko sėdynės veikimui.

Todėl sugedusių dalių išrinkimas iš daugelio dalių tapo neišvengiamu projektu. Sparčiai didėjant vaizdo duomenims ir sparčiai tobulėjant aparatinės įrangos skaičiavimo galimybėms, gilaus mokymosi aptikimo technologija, kurią atstovauja konvoliucinis neuroninis tinklas, buvo pritaikyta susijusioms trūkumų aptikimo užduotims. Palyginti su tradiciniu algoritmu, našumas labai pagerėjo. 2014 m. Ross Girshick [1] ir kiti pasiūlė R-CNN algoritmą, skirtą regionams kandidatams išgauti naudojant atrankinės paieškos algoritmą, tačiau algoritmas yra intensyvus ir lėtas. Vėliau siūlomas taikinio aptikimo algoritmas SPP-Net, kuris išsprendžia objekto deformacijos problemą, o vėliau siūlomas Fast R-CNN, įdiegiant kelių užduočių praradimą ir RoI kaupimą, kuris naudoja kelių užduočių mokymąsi, kad užbaigtų klasifikaciją ir regresiją.

Tačiau algoritmo priimtas regioninis metodas vis tiek užims daug laiko. Todėl Renas [2] pasiūlė greitesnį R-CNN algoritmą. Algoritmas pristato RPN tinklą, pagrįstą Fast R-CNN algoritmu, kurio greitis ir našumas buvo gerokai patobulintas. Greitesnis R-CNN algoritmas gali pasiekti geresnių objektų aptikimo rezultatų nei kiti algoritmai.