Ny Common Rail-ventil F00VC01362 for injektor 0445110302 0445110303 for injeksjonsnål

På grunn av den raske samfunnsutviklingen har biler blitt et stadig viktigere reiseverktøy i dagliglivet. Som en enhet for å sprøyte inn bensin i bilsylindere, spiller ventilsetet til bilinjektorer en svært viktig rolle i kontroll av drivstoffmengde. Hvordan man kan forbedre kvaliteten på delene har blitt et viktig problem, men på grunn av den lille størrelsen på delene er det lett å bli begrenset av prosesseringsteknologien. Under produksjonsprosessen vil det uunngåelig etterlate riper, defekter, rustflekker, hvite flekker og andre typer feil inne, noe som påvirker ytelsen til bilinjektorsetet.

Derfor har det blitt et uunngåelig prosjekt å plukke ut defekte deler fra mange deler. Med den raske økningen av bildedata og den raske utviklingen av maskinvaredatabehandlingsevnen, har dyplæringsdeteksjonsteknologien, representert ved konvolusjonelt nevralt nettverk, blitt brukt på de relaterte oppgavene med feildeteksjon. Sammenlignet med den tradisjonelle algoritmen har ytelsen blitt kraftig forbedret. I 2014 foreslo Ross Girshick [1] og andre R-CNN-algoritmen for å trekke ut kandidatregioner gjennom en selektiv søkealgoritme, men algoritmen er beregningsintensiv og treg. Deretter foreslås måldeteksjonsalgoritmen SPP-Net, som løser problemet med objektdeformasjon, og deretter foreslås Fast R-CNN ved å introdusere multi-task tap og RoI Pooling, som bruker multi-task læring for å fullføre klassifisering og regresjon.

Imidlertid vil den regionale metoden som brukes av algoritmen fortsatt ta mye tid. Derfor foreslo Ren [2] Faster R-CNN-algoritmen. Algoritmen introduserer RPN-nettverket på grunnlag av Fast R-CNN-algoritmen, som har blitt kraftig forbedret i hastighet og ytelse. Faster R-CNN-algoritmen kan oppnå bedre resultater i objektdeteksjon enn andre algoritmer.