OEM naujas Common Rail vožtuvo mazgas F00VC01329, skirtas 0445110168 169 284 315 purkštukui

Automobilio purkštuko vožtuvo lizdo defektų aptikimas, pagrįstas funkcijų suliejimu(3 dalis)

Dėl to, aptinkant purkštuko vožtuvo lizdą, vaizdas turi būti suspaustas, o vaizdo dydis apdorojamas iki 800 × 600, gavus vieningus standartinius vaizdo duomenis, naudojamas duomenų tobulinimo metodas, kad būtų išvengta duomenų trūkumo, ir modelio apibendrinimo gebėjimas yra sustiprintas. Duomenų tobulinimas yra svarbi gilaus mokymosi modelių mokymo dalis [3]. Paprastai yra du būdai padidinti duomenis. Vienas iš jų yra pridėti duomenų perturbacijos sluoksnį prie tinklo modelio, kad vaizdas būtų treniruojamas kiekvieną kartą, yra kitas būdas, kuris yra aiškesnis ir paprastesnis, vaizdo pavyzdžiai patobulinami apdorojant vaizdą prieš mokymą, mes išplečiame duomenų rinkinį naudodami vaizdo tobulinimo metodus, tokius kaip geometrija ir spalvų erdvė, ir spalvų erdvėje naudokite HSV, kaip parodyta 1 pav.

Greitesnio R-CNN defektų defektų modelio tobulinimas Greitesnio R-CNN algoritmo modelyje visų pirma reikia išskirti įvesties vaizdo ypatybes, o išgautos išvesties funkcijos gali tiesiogiai paveikti galutinį aptikimo efektą. Objekto aptikimo esmė yra funkcijų ištraukimas. Bendras bruožų išgavimo tinklas Faster R-CNN algoritmo modelyje yra VGG-16 tinklas. Šis tinklo modelis pirmą kartą buvo naudojamas vaizdų klasifikavimui [4], o vėliau buvo puikus semantinis segmentavimas [5] ir pastebimumo aptikimas [6].

Faster R-CNN algoritmo modelio ypatybių ištraukimo tinklas nustatytas į VGG-16, nors algoritmo modelis pasižymi geru aptikimo našumu, jis naudoja tik ypatybių žemėlapio išvestį iš paskutinio sluoksnio vaizdo elementų ištraukimui, todėl bus kai kurie nuostoliai ir objektų žemėlapis negali būti visiškai užpildyti, todėl netiksliai aptinkami maži tiksliniai objektai ir paveiks galutinis atpažinimo efektas.