Uusi OEM Common Rail -venttiilikokoonpano F00VC01329 0445110168 169 284 315 suuttimelle

Autojen ruiskutusventtiilin istukan vikojen havaitseminen ominaisuuden sulautumisen perusteella(osa 3)

Seurauksena on, että injektoriventtiilin istukan havaitsemisessa kuva on pakattava ja kuvan koko käsitellään 800 × 600:aan, kun yhtenäisen vakiokuvadatan saaminen on saatu, datan parannusmenetelmää käytetään tietojen puutteen välttämiseksi, ja mallin yleistyskyky paranee. Tietojen parantaminen on tärkeä osa syväoppimismallien koulutusta [3]. On yleensä kaksi tapaa lisätä dataa. Yksi on lisätä tietohäiriökerros verkkomalliin, jotta kuvaa voidaan harjoitella joka kerta, on toinen tapa, joka on selkeämpi ja yksinkertaisempi, kuvanäytteitä parannetaan kuvankäsittelyllä ennen koulutusta, laajennamme tietojoukkoa käyttämällä kuvanparannusmenetelmiä, kuten geometriaa ja väriavaruutta, ja käytä HSV:tä väriavaruudessa kuvan 1 mukaisesti.

Nopeamman R-CNN-vikavirhemallin parantaminen Faster R-CNN -algoritmimallissa on ensinnäkin purettava sisääntulokuvan ominaisuudet, ja erotetut lähtöominaisuudet voivat vaikuttaa suoraan lopulliseen tunnistusvaikutukseen. Kohteen tunnistuksen ydin on piirteiden erottaminen. Faster R-CNN -algoritmimallin yhteinen piirreverkko on VGG-16-verkko. Tätä verkkomallia käytettiin ensin kuvien luokituksessa [4], minkä jälkeen se on ollut erinomainen semanttisessa segmentoinnissa [5] ja näkyvyyden havaitsemisessa [6].

Faster R-CNN -algoritmimallin piirteiden poimintaverkko on asetettu arvoon VGG-16, vaikka algoritmimallilla on hyvä suorituskyky havaitsemisessa, se käyttää vain viimeisen kerroksen piirrekarttatulostusta kuvan piirteiden poimimisessa, joten joitakin häviöitä ja karttaa ei voida täydentää, mikä johtaa epätarkkuuteen pienten kohdeobjektien havaitsemisessa ja vaikuttaa lopulliseen tunnistusvaikutukseen.