OEM Nová sestava ventilu Common Rail F00VC01329 Pro vstřikovač 0445110168 169 284 315

Detekce defektu sedla ventilu automobilového vstřikovače na základě fúze funkcí(část 3)

Výsledkem je, že při detekci sedla ventilu vstřikovače musí být obrázek komprimován a velikost obrázku je zpracována na 800 × 600, po získání jednotných standardních obrazových dat se používá metoda vylepšení dat, aby se zabránilo nedostatku dat, a schopnost zobecnění modelu je vylepšena. Vylepšení dat je důležitou součástí tréninkových modelů hlubokého učení [3]. Obecně existují dva způsoby, jak zvýšit data. Jedním z nich je přidat do síťového modelu vrstvu rušení dat, aby bylo možné obraz trénovat pokaždé, existuje další způsob, který je přímočařejší a jednodušší, vzorky obrazu jsou vylepšeny zpracováním obrazu před trénováním, rozšiřujeme soubor dat pomocí metody vylepšení obrazu, jako je geometrie a barevný prostor, a použití HSV v barevném prostoru, jak je znázorněno na obrázku 1.

Vylepšení modelu rychlejšího defektu defektu R-CNN V modelu algoritmu Faster R-CNN musíte nejprve extrahovat vlastnosti vstupního obrázku a extrahované výstupní vlastnosti mohou přímo ovlivnit konečný efekt detekce. Jádrem detekce objektů je extrakce vlastností. Společnou sítí pro extrakci funkcí v modelu algoritmu Faster R-CNN je síť VGG-16. Tento síťový model byl poprvé použit při klasifikaci obrazu [4] a poté byl vynikající v sémantické segmentaci [5] a detekci význačnosti [6].

Síť pro extrakci rysů v modelu algoritmu Faster R-CNN je nastavena na VGG-16, ačkoli model algoritmu má dobrý výkon při detekci, při extrakci obrazových prvků používá pouze výstup mapy prvků z poslední vrstvy, takže bude některé ztráty a mapu prvků nelze zcela dokončit, což povede k nepřesnosti v detekci malých cílových objektů a ovlivní konečný efekt rozpoznání.