OEM Ny Common Rail ventilsamling F00VC01329 For 0445110168 169 284 315 injektor

Defektdetektering af injektorventilsæde til biler baseret på funktionssammensmeltning(del 3)

Som følge heraf skal billedet ved detektering af injektorventilsædet komprimeres, og billedstørrelsen behandles til 800 × 600, efter at have opnået de forenede standardbilleddata, bruges dataforbedringsmetoden for at undgå datamangel, og modellens generaliseringsevne er forbedret. Dataforbedring er en vigtig del af træningen af ​​deep learning-modeller [3]. Der er generelt to måder at øge data på. Den ene er at tilføje et dataforstyrrelseslag til netværksmodellen for at tillade billedet at blive trænet hver gang, der er en anden måde, der er mere ligetil og enkel, billedprøverne forbedres ved billedbehandling før træning, vi udvider datasættet vha. billedforbedringsmetoder såsom geometri og farverum, og brug HSV i farverum, som vist i figur 1.

Forbedring af Faster R-CNN-defekt-defektmodel I Faster R-CNN-algoritmemodellen skal du først og fremmest udtrække funktionerne i inputbilledet, og de udtrukne output-funktioner kan direkte påvirke den endelige detektionseffekt. Kernen i objektdetektion er funktionsudtrækning. Det fælles udtræksnetværk i Faster R-CNN-algoritmemodellen er VGG-16-netværket. Denne netværksmodel blev først brugt i billedklassificering [4], og derefter har den været fremragende til semantisk segmentering [5] og saliency-detektion [6].

Funktionsekstraktionsnetværket i Faster R-CNN algoritmemodellen er indstillet til VGG-16, selvom algoritmemodellen har en god ydelse i detektion, bruger den kun feature map output fra det sidste lag i billedfunktionsudtrækning, så der vil være nogle tab og funktionskortet kan ikke fuldføres fuldt ud, hvilket vil føre til unøjagtighed i detektering af små målobjekter og påvirke den endelige genkendelseseffekt.