Nový ventil Common Rail F00VC01362 pro vstřikovač 0445110302 0445110303 pro vstřikovací jehlu

Díky rychlému rozvoji společnosti se automobily stávají stále důležitějším cestovním prostředkem v každodenním životě. Jako zařízení pro vstřikování benzínu do automobilových válců hraje sedlo ventilů automobilových vstřikovačů velmi důležitou roli při regulaci množství paliva. Jak zlepšit kvalitu dílů se stalo důležitým problémem, ale kvůli malé velikosti dílů je snadné být omezeni technologií zpracování. Během výrobního procesu uvnitř nevyhnutelně zanechá škrábance, defekty, rezavé skvrny, bílé skvrny a další typy defektů, které ovlivňují výkon sedla automobilového vstřikovače.

Proto se vybírání vadných dílů z mnoha dílů stalo nevyhnutelným projektem. S rychlým nárůstem obrazových dat a rychlým pokrokem hardwarových výpočetních schopností byla technologie detekce hlubokého učení, reprezentovaná konvoluční neuronovou sítí, aplikována na související úkoly detekce chyb. Ve srovnání s tradičním algoritmem se výkon výrazně zlepšil. V roce 2014 Ross Girshick [1] a další navrhli algoritmus R-CNN k extrakci kandidátských regionů pomocí selektivního vyhledávacího algoritmu, ale tento algoritmus je výpočetně náročný a pomalý. Následně je navržen cílový detekční algoritmus SPP-Net, který řeší problém deformace objektu, a následně je navržen Fast R-CNN zavedením multi-task loss a RoI Pooling, který využívá multi-task learning k dokončení klasifikace a regrese.

Regionální metoda přijatá algoritmem však stále zabere hodně času. Ren [2] proto navrhl algoritmus Faster R-CNN. Algoritmus zavádí síť RPN na základě algoritmu Fast R-CNN, který byl výrazně vylepšen v rychlosti a výkonu. Algoritmus Faster R-CNN může dosáhnout lepších výsledků při detekci objektů než jiné algoritmy.