OEM jauns Common Rail vārsta bloks F00VC01329 0445110168 169 284 315 inžektoram

Automobiļu inžektora vārsta ligzdas defektu noteikšana, pamatojoties uz funkciju saplūšanu(3. daļa)

Rezultātā, nosakot inžektora vārsta ligzdu, attēls ir jāsaspiež un attēla izmērs tiek apstrādāts līdz 800 × 600, pēc vienotu standarta attēla datu iegūšanas tiek izmantota datu uzlabošanas metode, lai izvairītos no datu trūkuma, un uzlabota modeļa vispārināšanas spēja. Datu uzlabošana ir svarīga dziļās mācīšanās modeļu apmācības sastāvdaļa [3]. Parasti ir divi veidi, kā palielināt datus. Viens no tiem ir tīkla modelim pievienot datu traucējumu slāni, lai attēlu varētu apmācīt katru reizi, ir vēl viens veids, kas ir vienkāršāks un vienkāršāks, attēlu paraugus pirms apmācības uzlabo attēlu apstrāde, mēs paplašinām datu kopu, izmantojot attēla uzlabošanas metodes, piemēram, ģeometriju un krāsu telpu, un izmantojiet HSV krāsu telpā, kā parādīts 1. attēlā.

Ātrāka R-CNN defektu defektu novēršanas modeļa uzlabošana Ātrāka R-CNN algoritma modelī, pirmkārt, ir jāizņem ievades attēla īpašības, un iegūtās izvades funkcijas var tieši ietekmēt galīgo noteikšanas efektu. Objektu noteikšanas kodols ir iezīmju iegūšana. Kopējais iezīmju ieguves tīkls Faster R-CNN algoritma modelī ir VGG-16 tīkls. Šis tīkla modelis vispirms tika izmantots attēlu klasifikācijā [4], un pēc tam tas ir bijis lielisks semantiskajā segmentācijā [5] un pamanāmības noteikšanā [6].

Objektu ieguves tīkls Faster R-CNN algoritma modelī ir iestatīts uz VGG-16, lai gan algoritma modelim ir laba veiktspēja noteikšanā, tas izmanto tikai iezīmju kartes izvadi no pēdējā slāņa attēla objektu ekstrakcijā, tāpēc būs dažus zudumus un objektu karti nevar pilnībā aizpildīt, kas novedīs pie neprecizitātes mazu mērķa objektu noteikšanā un ietekmēs galīgo atpazīšanas efektu.