Jauns Common Rail vārsts F00VC01362 inžektoram 0445110302 0445110303 injekcijas adatai

Sabiedrības straujās attīstības dēļ automašīnas ikdienas dzīvē ir kļuvušas par arvien nozīmīgāku ceļošanas rīku. Kā ierīce benzīna iesmidzināšanai automašīnu cilindros, automobiļu sprauslu vārstu ligzdai ir ļoti svarīga loma degvielas daudzuma kontrolē. Detaļu kvalitātes uzlabošana ir kļuvis par svarīgu problēmu, taču detaļu mazā izmēra dēļ to ir viegli ierobežot apstrādes tehnoloģija. Ražošanas procesā tas neizbēgami atstās iekšpusē skrāpējumus, defektus, rūsas plankumus, baltus plankumus un cita veida defektus, kas ietekmē auto inžektora sēdekļa darbību.

Tāpēc bojāto detaļu izņemšana no daudzām detaļām ir kļuvusi par neizbēgamu projektu. Strauji palielinoties attēla datiem un strauji attīstoties aparatūras skaitļošanas spējām, saistītajiem defektu noteikšanas uzdevumiem ir piemērota dziļās mācīšanās noteikšanas tehnoloģija, ko pārstāv konvolucionālais neironu tīkls. Salīdzinot ar tradicionālo algoritmu, veiktspēja ir ievērojami uzlabota. 2014. gadā Ross Girshick [1] un citi ierosināja R-CNN algoritmu, lai iegūtu kandidātreģionus, izmantojot selektīvās meklēšanas algoritmu, taču algoritms ir skaitļošanas ziņā intensīvs un lēns. Pēc tam tiek piedāvāts mērķa noteikšanas algoritms SPP-Net, kas atrisina objektu deformācijas problēmu, un pēc tam tiek piedāvāts Fast R-CNN, ieviešot vairāku uzdevumu zudumu un RoI apvienošanu, kas izmanto vairāku uzdevumu mācīšanos, lai pabeigtu klasifikāciju un regresiju.

Tomēr algoritma pieņemtā reģionālā metode joprojām patērēs daudz laika. Tāpēc Ren [2] ierosināja Faster R-CNN algoritmu. Algoritms ievieš RPN tīklu, pamatojoties uz Fast R-CNN algoritmu, kas ir ievērojami uzlabots ātruma un veiktspējas ziņā. Ātrāks R-CNN algoritms var sasniegt labākus rezultātus objektu noteikšanā nekā citi algoritmi.