Nowy zawór Common Rail F00VC01362 do wtryskiwacza 0445110302 0445110303 do igły wtryskowej

W związku z szybkim rozwojem społeczeństwa, samochody stają się coraz ważniejszym narzędziem podróży w życiu codziennym. Jako urządzenie wtryskujące benzynę do cylindrów samochodowych, gniazda zaworowe wtryskiwaczy samochodowych odgrywają bardzo ważną rolę w regulacji ilości paliwa. Kwestia poprawy jakości części stała się ważną kwestią, ale ze względu na małe rozmiary części łatwo jest ograniczyć się technologią przetwarzania. Podczas procesu produkcyjnego nieuchronnie pozostawi wewnątrz zadrapania, defekty, plamy rdzy, białe plamy i inne rodzaje defektów, co wpływa na działanie gniazda wtryskiwacza samochodowego.

Dlatego wybieranie wadliwych części z wielu części stało się projektem nieuniknionym. Wraz z szybkim wzrostem ilości danych obrazu i szybkim postępem możliwości obliczeniowych sprzętu, technologia wykrywania głębokiego uczenia się, reprezentowana przez splotową sieć neuronową, została zastosowana do powiązanych zadań wykrywania defektów. W porównaniu z tradycyjnym algorytmem wydajność została znacznie poprawiona. W 2014 roku Ross Girshick [1] i inni zaproponowali algorytm R-CNN do wyodrębniania regionów kandydujących za pomocą algorytmu wyszukiwania selektywnego, ale algorytm ten wymaga dużej mocy obliczeniowej i jest powolny. Następnie zaproponowano algorytm detekcji celu SPP-Net, który rozwiązuje problem deformacji obiektów, a następnie Fast R-CNN poprzez wprowadzenie utraty wielozadaniowej i RoI Pooling, który wykorzystuje uczenie wielozadaniowe do zakończenia klasyfikacji i regresji.

Jednakże metoda regionalna przyjęta przez algorytm będzie nadal pochłaniać dużo czasu. Dlatego Ren [2] zaproponował algorytm Faster R-CNN. Algorytm wprowadza sieć RPN w oparciu o algorytm Fast R-CNN, który został znacznie ulepszony pod względem szybkości i wydajności. Algorytm Faster R-CNN może osiągnąć lepsze wyniki w wykrywaniu obiektów niż inne algorytmy.