OEM ny Common Rail-ventilenhet F00VC01329 For 0445110168 169 284 315 injektor

Defektdeteksjon av bilinjektorventilsetet basert på funksjonssammensmelting(del 3)

Som et resultat, i deteksjonen av injektorventilsetet, må bildet komprimeres, og bildestørrelsen behandles til 800 × 600, etter å ha oppnådd de enhetlige standardbildedataene, brukes dataforbedringsmetoden for å unngå datamangel, og modellens generaliseringsevne er forbedret. Dataforbedring er en viktig del av opplæring av dyplæringsmodeller [3]. Det er generelt to måter å øke data på. Den ene er å legge til et dataforstyrrelseslag til nettverksmodellen for å tillate at bildet trenes opp hver gang, det er en annen måte som er mer grei og enkel, bildeprøvene forbedres ved bildebehandling før trening, vi utvider datasettet ved å bruke bildeforbedringsmetoder som geometri og fargerom, og bruk HSV i fargerommet, som vist i figur 1.

Forbedring av raskere R-CNN-defektavviksmodell I Faster R-CNN-algoritmemodellen må du først og fremst trekke ut funksjonene til inngangsbildet, og de ekstraherte utgangsfunksjonene kan direkte påvirke den endelige deteksjonseffekten. Kjernen i objektdeteksjon er funksjonsekstraksjon. Det vanlige utvinningsnettverket i Faster R-CNN-algoritmemodellen er VGG-16-nettverket. Denne nettverksmodellen ble først brukt i bildeklassifisering [4], og deretter har den vært utmerket i semantisk segmentering [5] og saliency-deteksjon [6].

Funksjonsekstraksjonsnettverket i Faster R-CNN algoritmemodellen er satt til VGG-16, selv om algoritmemodellen har god ytelse i deteksjon, bruker den bare funksjonskartutgangen fra det siste laget i bildefunksjonsutvinning, så det vil være noen tap og funksjonskartet kan ikke fullføres fullstendig, noe som vil føre til unøyaktighet i deteksjon av små målobjekter og påvirke den endelige gjenkjenningseffekten.