OEM New Common Rail Valve Assembly F00VC01329 Fir 0445110168 169 284 315 Injector

Defekterkennung vum Autosinjektorventilsitz baséiert op Feature Fusioun(Deel 3)

Als Resultat, bei der Erkennung vum Injektorventilsitz, muss d'Bild kompriméiert ginn, an d'Bildgréisst gëtt op 800 × 600 veraarbecht, nodeems Dir déi vereenegt Standardbilddaten kritt, gëtt d'Dateverbesserungsmethod benotzt fir Datemangel ze vermeiden, an d'Model Generaliséierungsfäegkeet gëtt verbessert. Dateverbesserung ass e wichtege Bestanddeel vum Training Deep Learning Modeller [3]. Et ginn allgemeng zwee Weeër fir Daten ze erhéijen. Een ass eng Dateverstéierungsschicht un den Netzwierkmodell ze addéieren fir datt d'Bild all Kéier trainéiert gëtt, et gëtt eng aner Manéier déi méi einfach an einfach ass, d'Bildproben ginn duerch Bildveraarbechtung virum Training verbessert, mir erweideren den Dateset mat Hëllef Bildverbesserungsmethoden wéi Geometrie a Faarfraum, a benotzt HSV am Faarfraum, wéi an der Figur 1.

Verbesserung vum Faster R-CNN Defekt Defekt Modell Am Faster R-CNN Algorithmus Modell, éischtens, musst Dir d'Features vum Input Bild extrahéieren, an déi extrahéiert Output Feature kënnen direkt den definitiven Detektiounseffekt beaflossen. De Kär vun der Objekterkennung ass Feature Extraktioun. De gemeinsame Feature Extraktiounsnetz am Faster R-CNN Algorithmus Modell ass de VGG-16 Netzwierk. Dëse Netzwierkmodell gouf fir d'éischt an der Bildklassifikatioun benotzt [4], an duerno war et exzellent an der semantescher Segmentatioun [5] a Saliency Detektioun [6].

De Feature Extraktiounsnetz am Faster R-CNN Algorithmus Modell ass op VGG-16 gesat, obwuel den Algorithmus Modell eng gutt Leeschtung an der Detektioun huet, benotzt et nëmmen d'Feature Map Output vun der leschter Layer an der Bild Feature Extraktioun, sou datt et wäert sinn e puer Verloschter an der Fonktioun Kaart kann net komplett ofgeschloss ginn, déi zu Ongenauegkeet an Detectioun vun kleng Zil- Objete Féierung wäert an Afloss op d'Finale Unerkennung Effekt.