OEM Yeni Common Rail Vana Düzeneği F00VC01329 0445110168 169 284 315 enjektör için

Özellik füzyonuna dayalı olarak otomotiv enjektör valf yuvasının kusur tespiti(bölüm 3)

Sonuç olarak enjektör valf yuvası tespitinde resmin sıkıştırılması gerekiyor ve resim boyutu 800×600 olarak işleniyor, birleştirilmiş standart görüntü verileri elde edildikten sonra veri eksikliğini önlemek için veri iyileştirme yöntemi kullanılıyor, ve model genelleme yeteneği geliştirildi. Veri geliştirme, derin öğrenme modellerinin eğitiminin önemli bir parçasıdır [3]. Verileri artırmanın genellikle iki yolu vardır. Bunlardan biri, görüntünün her seferinde eğitilmesine olanak sağlamak için ağ modeline bir veri pertürbasyon katmanı eklemektir; daha basit ve basit olan başka bir yol daha vardır; görüntü örnekleri eğitimden önce görüntü işleme ile geliştirilir, veri setini kullanarak genişletiriz. Şekil 1'de gösterildiği gibi geometri ve renk alanı gibi görüntü iyileştirme yöntemlerini kullanın ve renk alanında HSV'yi kullanın.

Daha Hızlı R-CNN kusur giderme modelinin iyileştirilmesi Daha hızlı R-CNN algoritma modelinde, öncelikle giriş resminin özelliklerini çıkarmanız gerekir ve çıkarılan çıktı özellikleri, son tespit etkisini doğrudan etkileyebilir. Nesne tespitinin özü özellik çıkarımıdır. Faster R-CNN algoritma modelindeki ortak özellik çıkarma ağı VGG-16 ağıdır. Bu ağ modeli ilk olarak görüntü sınıflandırmada [4] kullanılmış ve daha sonra semantik segmentasyonda [5] ve belirginlik tespitinde [6] mükemmel olmuştur.

Faster R-CNN algoritma modelinde özellik çıkarma ağı VGG-16 olarak ayarlanmıştır, algoritma modeli tespitte iyi bir performansa sahip olmasına rağmen görüntü özellik çıkarmada yalnızca son katmandan gelen özellik haritası çıktısını kullanır, dolayısıyla bazı kayıplar ve özellik haritasının tam olarak tamamlanamaması, küçük hedef nesnelerin tespitinde yanlışlığa yol açacak ve nihai tanıma etkisini etkileyecektir.