OEM Nuovo Gruppo Valvola Common Rail F00VC01329 Per 0445110168 169 284 315 iniettore

Rilevamento dei difetti della sede della valvola dell'iniettore automobilistico basato sulla fusione delle funzionalità(parte 3)

Di conseguenza, nel rilevamento della sede della valvola dell'iniettore, l'immagine deve essere compressa e la dimensione dell'immagine viene elaborata a 800 × 600, dopo aver ottenuto i dati dell'immagine standard unificati, viene utilizzato il metodo di miglioramento dei dati per evitare la carenza di dati, e la capacità di generalizzazione del modello è migliorata.Il miglioramento dei dati è una parte importante della formazione dei modelli di deep learning [3].Esistono generalmente due modi per aumentare i dati.Uno è aggiungere un livello di perturbazione dei dati al modello di rete per consentire l'addestramento dell'immagine ogni volta, esiste un altro modo più diretto e semplice, i campioni di immagine vengono migliorati dall'elaborazione delle immagini prima dell'addestramento, espandiamo il set di dati utilizzando metodi di miglioramento dell'immagine come geometria e spazio colore e utilizzo HSV nello spazio colore, come mostrato nella Figura 1.

Miglioramento del modello di defezione dei difetti di Faster R-CNN Nel modello di algoritmo Faster R-CNN, prima di tutto, è necessario estrarre le caratteristiche dell'immagine di input e le caratteristiche di output estratte possono influenzare direttamente l'effetto di rilevamento finale.Il fulcro del rilevamento degli oggetti è l'estrazione delle caratteristiche.La rete di estrazione delle caratteristiche comuni nel modello di algoritmo Faster R-CNN è la rete VGG-16.Questo modello di rete è stato utilizzato per la prima volta nella classificazione delle immagini [4], e poi si è rivelato eccellente nella segmentazione semantica [5] e nel rilevamento della salienza [6].

La rete di estrazione delle caratteristiche nel modello dell'algoritmo Faster R-CNN è impostata su VGG-16, sebbene il modello dell'algoritmo abbia buone prestazioni nel rilevamento, utilizza solo l'output della mappa delle caratteristiche dall'ultimo livello nell'estrazione delle caratteristiche dell'immagine, quindi ci sarà alcune perdite e la mappa delle caratteristiche non possono essere completate completamente, il che porterà a un'imprecisione nel rilevamento di piccoli oggetti target e influenzerà l'effetto di riconoscimento finale.