Nou conjunt de vàlvules de carril comú OEM F00VC01329 per a injector 0445110168 169 284 315

Detecció de defectes del seient de la vàlvula d'injecció d'automòbils basat en la fusió de funcions(part 3)

Com a resultat, en la detecció del seient de la vàlvula d'injecció, la imatge s'ha de comprimir i la mida de la imatge es processa a 800 × 600, després d'obtenir les dades d'imatge estàndard unificades, s'utilitza el mètode de millora de dades per evitar l'escassetat de dades, i es millora la capacitat de generalització del model. La millora de les dades és una part important de la formació de models d'aprenentatge profund [3]. En general, hi ha dues maneres d'augmentar les dades. Un és afegir una capa de pertorbació de dades al model de xarxa per permetre que la imatge s'entrenin cada vegada, hi ha una altra manera que és més senzilla i senzilla, les mostres d'imatge es milloren mitjançant el processament d'imatges abans de l'entrenament, ampliem el conjunt de dades utilitzant mètodes de millora de la imatge, com ara la geometria i l'espai de color, i utilitzeu HSV a l'espai de color, tal com es mostra a la figura 1.

Millora del model de defecció de defecte R-CNN Faster En el model d'algoritme Faster R-CNN, en primer lloc, cal extreure les característiques de la imatge d'entrada i les característiques de sortida extretes poden afectar directament l'efecte de detecció final. El nucli de la detecció d'objectes és l'extracció de característiques. La xarxa d'extracció de característiques comuns en el model d'algorisme Faster R-CNN és ​​la xarxa VGG-16. Aquest model de xarxa es va utilitzar per primera vegada en la classificació d'imatges [4], i després ha estat excel·lent en la segmentació semàntica [5] i la detecció de saliència [6].

La xarxa d'extracció de característiques del model d'algoritme Faster R-CNN està configurada en VGG-16, tot i que el model d'algorisme té un bon rendiment en la detecció, només utilitza la sortida del mapa de característiques de l'última capa en l'extracció de característiques de la imatge, de manera que hi haurà algunes pèrdues i el mapa de característiques no es poden completar completament, cosa que comportarà una inexactitud en la detecció d'objectes objectiu petits i afectarà l'efecte de reconeixement final.