Pemasangan Injap Aksesori Common Rail Baharu F00VC01317 untuk Penyuntik 0445110230

Pengesanan kecacatan tempat duduk injap penyuntik automotif berdasarkan gabungan ciri(bahagian 2)

Walaupun algoritma Faster R-CNN mempunyai prestasi pengesanan yang baik dalam pengesanan objek, saiz kecacatan tempat duduk penyuntik bahan api kereta adalah agak kecil dan terdapat banyak jenis kecacatan. Oleh itu, pengesanan R-CNN yang Lebih Cepat digunakan dalam proses, adalah mustahil untuk melengkapkan pengenalan dan kedudukan kecacatan dengan tepat, yang mungkin menyebabkan pemeriksaan yang tidak dijawab. Dalam kertas kerja ini, kami memperkenalkan idea gabungan ciri pada algoritma R-CNN yang Lebih Pantas, menggabungkan ciri-ciri lapisan lilitan yang berbeza, meningkatkan keupayaan ekspresi algoritma pengesanan, dan menjadikannya lebih tepat untuk mengesan kecacatan tempat duduk injap penyuntik kereta.

2. Pembinaan Set Data

2.1 Pemprosesan Data Imej

Dalam proses mengumpul kecacatan pada tempat duduk injap penyuntik kereta dengan bantuan perkakasan seperti kamera industri CCD, perkakas, PC, dll., disebabkan oleh gangguan persekitaran, arus, operasi dan faktor lain, gambar yang dikumpul akan meningkatkan kesukaran operasi seterusnya, untuk memudahkan Kerja seterusnya memerlukan kaedah yang berkesan untuk mempraproses imej dalam pengeluaran sebenar.

Pertama, semasa proses perolehan imej, akan berlaku masalah seperti redundansi imej dan penyelewengan penamaan semasa menyimpan. Imej berlebihan bukan sahaja akan menjejaskan kerja kecekapan mempunyai kesan yang besar, dan ia akan meningkatkan kesukaran kerja berikutnya. Oleh itu, adalah perlu untuk mengalih keluar gambar pendua.

Kedua, dalam koleksi Dalam proses gambar, disebabkan oleh pengaruh arus dan bunyi, beberapa maklumat yang tidak relevan akan dijana. Oleh itu, adalah perlu untuk menggunakan kaedah penapisan Gaussian untuk menafikan imej dan mengekalkan maklumat berguna untuk pengesanan dan pengecaman.