OEM novo conxunto de válvulas de carril común F00VC01329 para inyector 0445110168 169 284 315

Detección de defectos do asento da válvula do inxector do automóbil en función da fusión de características(parte 3)

Como resultado, na detección do asento da válvula do inxector, a imaxe debe ser comprimida e o tamaño da imaxe é procesado a 800 × 600, despois de obter os datos de imaxe estándar unificados, úsase o método de mellora de datos para evitar a escaseza de datos, e mellora a capacidade de xeneralización do modelo. A mellora dos datos é unha parte importante do adestramento de modelos de aprendizaxe profunda [3]. Xeralmente hai dúas formas de aumentar os datos. Unha delas é engadir unha capa de perturbación de datos ao modelo de rede para permitir que a imaxe sexa adestrada cada vez, hai outra forma que é máis sinxela e sinxela, as mostras de imaxes son melloradas mediante o procesamento de imaxes antes do adestramento, ampliamos o conxunto de datos usando métodos de mellora da imaxe como a xeometría e o espazo de cor, e usa HSV no espazo de cor, como se mostra na Figura 1.

Mellora do modelo de defección de defectos Faster R-CNN No modelo de algoritmo Faster R-CNN, en primeiro lugar, cómpre extraer as características da imaxe de entrada e as características de saída extraídas poden afectar directamente ao efecto de detección final. O núcleo da detección de obxectos é a extracción de características. A rede de extracción de características comúns no modelo de algoritmo Faster R-CNN é a rede VGG-16. Este modelo de rede utilizouse primeiro na clasificación de imaxes [4], e despois foi excelente na segmentación semántica [5] e na detección de prominencia [6].

A rede de extracción de características no modelo de algoritmo Faster R-CNN está configurada como VGG-16, aínda que o modelo de algoritmo ten un bo rendemento na detección, só usa a saída do mapa de características da última capa na extracción de características de imaxe, polo que haberá algunhas perdas e o mapa de características non se pode completar completamente, o que levará a unha imprecisión na detección de pequenos obxectos obxectivo e afectará o efecto de recoñecemento final.