Ny Common Rail-injektortilbehør ventilenhet F00VC01317 for injektor 0445110230

Defektdeteksjon av bilinjektorventilsetet basert på funksjonssammensmelting(del 2)

Selv om Faster R-CNN-algoritmen har god deteksjonsytelse ved gjenkjenning av objekter, er størrelsen på setedefekten på drivstoffinjektoren til bil relativt liten, og det er mange typer defekter. Derfor brukes Faster R-CNN-deteksjon i prosessen, det er umulig å nøyaktig fullføre identifisering og posisjonering av defekter, noe som sannsynligvis vil føre til en ubesvart inspeksjon. I denne artikkelen introduserer vi ideen om funksjonsfusjon på Faster R-CNN-algoritmen, smelter sammen funksjonene til forskjellige konvolusjonslag, forbedrer uttrykksevnen til deteksjonsalgoritmen og gjør det mer nøyaktig å oppdage defektene til ventilsetet til bilinjektoren.

2. Datasettkonstruksjon

2.1 Bildedatabehandling

I prosessen med å samle defekter i ventilsetet til bilinjektoren ved hjelp av maskinvare som CCD industrikameraer, verktøy, PC, etc., på grunn av interferens fra miljøet, strøm, drift og andre faktorer, de innsamlede bildene vil øke vanskeligheten med påfølgende operasjoner, for å forenkle. Etterfølgende arbeid krever effektive metoder for å forhåndsbehandle bildene i faktisk produksjon.

For det første, under bildeinnhentingsprosessen, vil det oppstå problemer som bilderedundans og navneuregelmessigheter under lagring. Overflødige bilder vil ikke bare påvirke arbeidet, effektiviteten har stor innvirkning, og det vil øke vanskeligheten med påfølgende arbeid. Derfor er det nødvendig å fjerne dupliserte bilder.

For det andre, i samlingen I prosessen med bildet, på grunn av påvirkning av strøm og støy, vil det genereres noe irrelevant informasjon. Derfor er det nødvendig å bruke den Gaussiske filtreringsmetoden for å forringe bildet og beholde nyttig informasjon for deteksjon og gjenkjenning.