Ny Common Rail-ventil F00VC01362 til injektor 0445110302 0445110303 til injektionsnål

På grund af samfundets hurtige udvikling er biler blevet et stadig vigtigere rejseredskab i dagligdagen. Som en anordning til indsprøjtning af benzin i bilcylindre spiller ventilsædet til bilinjektorer en meget vigtig rolle i brændstofmængdekontrol. Hvordan man kan forbedre kvaliteten af ​​delene er blevet et vigtigt problem, men på grund af den lille størrelse af delene er det let at blive begrænset af forarbejdningsteknologien. Under produktionsprocessen vil det uundgåeligt efterlade ridser, defekter, rustpletter, hvide pletter og andre typer defekter indeni, hvilket påvirker ydeevnen af ​​automotive-injektorsædet.

Derfor er udvælgelsen af ​​defekte dele fra mange dele blevet et uundgåeligt projekt. Med den hurtige stigning i billeddata og den hurtige udvikling af hardwareberegningsevnen, er deep learning-detektionsteknologien, repræsenteret ved et foldet neuralt netværk, blevet anvendt til de relaterede opgaver med fejldetektion. Sammenlignet med den traditionelle algoritme er ydeevnen blevet væsentligt forbedret. I 2014 foreslog Ross Girshick [1] og andre R-CNN-algoritmen for at udtrække kandidatregioner gennem en selektiv søgealgoritme, men algoritmen er beregningsintensiv og langsom. Efterfølgende foreslås måldetektionsalgoritmen SPP-Net, som løser problemet med objektdeformation, og derefter foreslås Fast R-CNN ved at introducere multi-task tab og RoI Pooling, som bruger multi-task læring til at gennemføre klassificering og regression.

Den regionale metode, som algoritmen anvender, vil dog stadig forbruge meget tid. Derfor foreslog Ren [2] Faster R-CNN-algoritmen. Algoritmen introducerer RPN-netværket på basis af Fast R-CNN-algoritmen, som er blevet væsentligt forbedret i hastighed og ydeevne. Faster R-CNN-algoritmen kan opnå bedre resultater i objektdetektering end andre algoritmer.