OEM nowy zespół zaworu Common Rail F00VC01329 dla wtryskiwacza 0445110168 169 284 315

Wykrywanie defektów gniazda zaworu wtryskiwacza samochodowego w oparciu o fuzję cech(część 3)

W rezultacie przy wykrywaniu gniazda zaworu wtryskiwacza obraz należy skompresować, a rozmiar obrazu przetworzyć do 800 × 600, po uzyskaniu ujednoliconych standardowych danych obrazu stosuje się metodę poprawy danych, aby uniknąć niedoborów danych, i zdolność generalizacji modelu jest zwiększona. Udoskonalanie danych jest ważną częścią uczenia modeli głębokiego uczenia się [3]. Zasadniczo istnieją dwa sposoby zwiększania ilości danych. Jednym z nich jest dodanie warstwy zaburzeń danych do modelu sieci, aby umożliwić uczenie obrazu za każdym razem. Istnieje inny sposób, prostszy i prostszy. Próbki obrazu są ulepszane poprzez przetwarzanie obrazu przed uczeniem. Rozszerzamy zbiór danych za pomocą metody ulepszania obrazu, takie jak geometria i przestrzeń kolorów, i wykorzystują HSV w przestrzeni kolorów, jak pokazano na rysunku 1.

Udoskonalenie modelu defektów Faster R-CNN W modelu algorytmu Faster R-CNN należy przede wszystkim wyodrębnić cechy obrazu wejściowego, a wyodrębnione cechy wyjściowe mogą bezpośrednio wpłynąć na końcowy efekt detekcji. Podstawą wykrywania obiektów jest ekstrakcja cech. Wspólną siecią ekstrakcji cech w modelu algorytmu Faster R-CNN jest sieć VGG-16. Ten model sieci został po raz pierwszy zastosowany w klasyfikacji obrazów [4], a następnie doskonale sprawdził się w segmentacji semantycznej [5] i wykrywaniu istotności [6].

Sieć ekstrakcji cech w modelu algorytmu Faster R-CNN jest ustawiona na VGG-16, chociaż model algorytmu ma dobrą wydajność w wykrywaniu, wykorzystuje tylko dane wyjściowe mapy cech z ostatniej warstwy ekstrakcji cech obrazu, więc będzie pewne straty i mapa obiektów nie może być w pełni ukończona, co doprowadzi do niedokładności w wykrywaniu małych obiektów docelowych i wpłynie na końcowy efekt rozpoznania.