OEM Ny Common Rail-ventilenhet F00VC01329 För 0445110168 169 284 315 injektor

Defektdetektering av insprutningsventilsäte för bilar baserat på funktionsfusion(del 3)

Som ett resultat, vid upptäckten av injektorventilsätet, måste bilden komprimeras och bildstorleken bearbetas till 800 × 600, efter att ha erhållit enhetlig standardbilddata, används dataförbättringsmetoden för att undvika databrist, och modellens generaliseringsförmåga förbättras. Dataförbättring är en viktig del av utbildningen av modeller för djupinlärning [3]. Det finns i allmänhet två sätt att öka data. Det ena är att lägga till ett datastörningslager till nätverksmodellen så att bilden kan tränas varje gång, det finns ett annat sätt som är mer rakt på sak och enkelt, bildproverna förbättras genom bildbehandling innan träning, vi utökar datamängden med hjälp av bildförbättringsmetoder som geometri och färgrymd, och använd HSV i färgrymden, som visas i figur 1.

Förbättring av snabbare R-CNN-defektmodell I Faster R-CNN-algoritmmodellen måste du först och främst extrahera funktionerna i ingångsbilden, och de extraherade utdatafunktionerna kan direkt påverka den slutliga detekteringseffekten. Kärnan i objektdetektering är funktionsextraktion. Det vanliga extraktionsnätverket i Faster R-CNN-algoritmmodellen är VGG-16-nätverket. Denna nätverksmodell användes först i bildklassificering [4], och sedan har den varit utmärkt i semantisk segmentering [5] och framträdande detektering [6].

Funktionsextraktionsnätverket i Faster R-CNN algoritmmodellen är inställt på VGG-16, även om algoritmmodellen har en bra prestanda vid detektering, använder den bara funktionskartans utdata från det sista lagret i bildfunktionsextraktionen, så det kommer att finnas vissa förluster och funktionskartan kan inte fullföljas helt, vilket kommer att leda till felaktighet vid upptäckt av små målobjekt och påverka den slutliga igenkänningseffekten.