OEM Νέα διάταξη βαλβίδας Common Rail F00VC01329 Για 0445110168 169 284 315 μπεκ

Ανίχνευση ελαττώματος της έδρας βαλβίδας εγχυτήρα αυτοκινήτου με βάση τη σύντηξη χαρακτηριστικών(μέρος 3)

Ως αποτέλεσμα, στην ανίχνευση της έδρας της βαλβίδας έγχυσης, η εικόνα πρέπει να συμπιεστεί και το μέγεθος της εικόνας υποβάλλεται σε επεξεργασία σε 800 × 600, μετά τη λήψη των ενοποιημένων τυπικών δεδομένων εικόνας, χρησιμοποιείται η μέθοδος βελτίωσης δεδομένων για την αποφυγή έλλειψης δεδομένων. και ενισχύεται η ικανότητα γενίκευσης του μοντέλου. Η βελτίωση δεδομένων είναι ένα σημαντικό μέρος της εκπαίδευσης μοντέλων βαθιάς μάθησης [3]. Υπάρχουν γενικά δύο τρόποι για να αυξήσετε τα δεδομένα. Το ένα είναι να προσθέσετε ένα επίπεδο διαταραχής δεδομένων στο μοντέλο δικτύου για να επιτρέψετε στην εικόνα να εκπαιδεύεται κάθε φορά, υπάρχει ένας άλλος τρόπος που είναι πιο απλός και απλός, τα δείγματα εικόνας βελτιώνονται με την επεξεργασία εικόνας πριν από την εκπαίδευση, επεκτείνουμε το σύνολο δεδομένων χρησιμοποιώντας μεθόδους βελτίωσης εικόνας, όπως η γεωμετρία και ο χρωματικός χώρος, και χρησιμοποιήστε το HSV στον χρωματικό χώρο, όπως φαίνεται στην Εικόνα 1.

Βελτίωση του μοντέλου ελαττώματος Faster R-CNN Στο μοντέλο αλγορίθμου Faster R-CNN, πρώτα απ 'όλα, πρέπει να εξαγάγετε τα χαρακτηριστικά της εικόνας εισόδου και τα εξαγόμενα χαρακτηριστικά εξόδου μπορούν να επηρεάσουν άμεσα το τελικό αποτέλεσμα ανίχνευσης. Ο πυρήνας της ανίχνευσης αντικειμένων είναι η εξαγωγή χαρακτηριστικών. Το κοινό δίκτυο εξαγωγής χαρακτηριστικών στο μοντέλο αλγορίθμου Faster R-CNN είναι το δίκτυο VGG-16. Αυτό το μοντέλο δικτύου χρησιμοποιήθηκε για πρώτη φορά στην ταξινόμηση εικόνων [4], και στη συνέχεια ήταν εξαιρετικό στη σημασιολογική τμηματοποίηση [5] και στην ανίχνευση προεξοχής [6].

Το δίκτυο εξαγωγής χαρακτηριστικών στο μοντέλο αλγορίθμου Faster R-CNN έχει οριστεί σε VGG-16, αν και το μοντέλο αλγορίθμου έχει καλή απόδοση στην ανίχνευση, χρησιμοποιεί μόνο την έξοδο χάρτη χαρακτηριστικών από το τελευταίο επίπεδο στην εξαγωγή χαρακτηριστικών εικόνας, επομένως θα υπάρχει ορισμένες απώλειες και ο χάρτης χαρακτηριστικών δεν μπορεί να ολοκληρωθεί πλήρως, γεγονός που θα οδηγήσει σε ανακρίβεια στον εντοπισμό μικρών αντικειμένων στόχου και θα επηρεάσει το αποτέλεσμα της τελικής αναγνώρισης.