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

På grund av samhällets snabba utveckling har bilar blivit ett allt viktigare reseverktyg i det dagliga livet. Som en anordning för att spruta in bensin i bilcylindrar spelar ventilsätet för bilinjektorer en mycket viktig roll vid bränslemängdskontroll. Hur man kan förbättra kvaliteten på delarna har blivit en viktig fråga, men på grund av den lilla storleken på delarna är det lätt att begränsas av bearbetningstekniken. Under produktionsprocessen kommer det oundvikligen att lämna repor, defekter, rostfläckar, vita fläckar och andra typer av defekter inuti, vilket påverkar prestandan hos bilinjektorsätet.

Att plocka ut defekta delar från många delar har därför blivit ett oundvikligt projekt. Med den snabba ökningen av bilddata och den snabba utvecklingen av hårdvaruberäkningsförmågan, har djupinlärningsdetekteringsteknologin, representerad av konvolutionerande neurala nätverk, tillämpats på de relaterade uppgifterna för detektering av fel. Jämfört med den traditionella algoritmen har prestandan förbättrats avsevärt. 2014 föreslog Ross Girshick [1] och andra R-CNN-algoritmen för att extrahera kandidatregioner genom en selektiv sökalgoritm, men algoritmen är beräkningsintensiv och långsam. Därefter föreslås måldetekteringsalgoritmen SPP-Net, som löser problemet med objektdeformation, och sedan föreslås Fast R-CNN genom att introducera multi-task loss och RoI Pooling, som använder multi-task inlärning för att slutföra klassificering och regression.

Den regionala metoden som används av algoritmen kommer dock fortfarande att ta mycket tid. Därför föreslog Ren [2] algoritmen Faster R-CNN. Algoritmen introducerar RPN-nätverket på basis av Fast R-CNN-algoritmen, som har förbättrats avsevärt i hastighet och prestanda. Faster R-CNN-algoritmen kan uppnå bättre resultat vid objektdetektering än andra algoritmer.