0445110168 169 284 315 इंजेक्टरसाठी OEM नवीन कॉमन रेल वाल्व असेंब्ली F00VC01329

वैशिष्ट्य फ्यूजनवर आधारित ऑटोमोटिव्ह इंजेक्टर वाल्व सीटचे दोष शोधणे(भाग 3)

परिणामी, इंजेक्टर व्हॉल्व्ह सीट शोधताना, चित्र संकुचित करणे आवश्यक आहे, आणि चित्राचा आकार 800 × 600 पर्यंत प्रक्रिया केला जातो, युनिफाइड मानक प्रतिमा डेटा प्राप्त केल्यानंतर, डेटाची कमतरता टाळण्यासाठी डेटा वर्धित करण्याची पद्धत वापरली जाते, आणि मॉडेल सामान्यीकरण क्षमता वर्धित केली आहे. डेटा वर्धित करणे हा सखोल शिक्षण मॉडेलच्या प्रशिक्षणाचा एक महत्त्वाचा भाग आहे [3]. डेटा वाढवण्याचे साधारणपणे दोन मार्ग आहेत. एक म्हणजे नेटवर्क मॉडेलमध्ये प्रत्येक वेळी प्रतिमेला प्रशिक्षित करण्यास अनुमती देण्यासाठी डेटा पेस्टर्बेशन लेयर जोडणे, आणखी एक मार्ग आहे जो अधिक सरळ आणि सोपा आहे, प्रशिक्षणापूर्वी प्रतिमा प्रक्रियेद्वारे प्रतिमा नमुने वाढवले ​​जातात, आम्ही वापरून डेटा सेट विस्तृत करतो चित्र सुधारण्याच्या पद्धती जसे की भूमिती आणि रंगाची जागा, आणि आकृती 1 मध्ये दर्शविल्याप्रमाणे, रंगाच्या जागेत HSV वापरा.

वेगवान R-CNN डिफेक्ट डिफेक्शन मॉडेलची सुधारणा फास्टर R-CNN अल्गोरिदम मॉडेलमध्ये, सर्व प्रथम, आपल्याला इनपुट चित्राची वैशिष्ट्ये काढण्याची आवश्यकता आहे आणि काढलेली आउटपुट वैशिष्ट्ये अंतिम शोध प्रभावावर थेट परिणाम करू शकतात. ऑब्जेक्ट डिटेक्शनचा मुख्य भाग म्हणजे वैशिष्ट्य काढणे. फास्टर आर-सीएनएन अल्गोरिदम मॉडेलमधील सामान्य वैशिष्ट्य एक्स्ट्रॅक्शन नेटवर्क हे VGG-16 नेटवर्क आहे. हे नेटवर्क मॉडेल प्रथम प्रतिमा वर्गीकरणात वापरले गेले [४], आणि नंतर ते शब्दार्थ विभागणी [५] आणि लवचिकता शोध [६] मध्ये उत्कृष्ट आहे.

फास्टर आर-सीएनएन अल्गोरिदम मॉडेलमधील फीचर एक्स्ट्रॅक्शन नेटवर्क व्हीजीजी-16 वर सेट केले आहे, जरी अल्गोरिदम मॉडेलमध्ये शोधण्यात चांगली कामगिरी आहे, तरीही ते प्रतिमा वैशिष्ट्य एक्सट्रॅक्शनमधील शेवटच्या लेयरमधील वैशिष्ट्य नकाशा आउटपुटचा वापर करते, त्यामुळे तेथे असेल काही नुकसान आणि वैशिष्ट्य नकाशा पूर्णपणे पूर्ण होऊ शकत नाही, ज्यामुळे लहान लक्ष्य वस्तू शोधण्यात अयोग्यता येईल आणि अंतिम ओळख परिणाम प्रभावित होईल.