Pemasangan Injap Common Rail Baharu OEM F00VC01329 Untuk penyuntik 0445110168 169 284 315

Pengesanan kecacatan tempat duduk injap penyuntik automotif berdasarkan gabungan ciri(bahagian 3)

Akibatnya, dalam pengesanan tempat duduk injap penyuntik, gambar perlu dimampatkan, dan saiz gambar diproses kepada 800 × 600, selepas memperoleh data imej standard bersatu, kaedah peningkatan data digunakan untuk mengelakkan kekurangan data, dan keupayaan generalisasi model dipertingkatkan.Peningkatan data adalah bahagian penting dalam melatih model pembelajaran mendalam [3].Secara umumnya terdapat dua cara untuk meningkatkan data.Satu ialah menambah lapisan gangguan data pada model rangkaian untuk membolehkan imej dilatih setiap kali, terdapat cara lain yang lebih mudah dan mudah, sampel imej dipertingkatkan dengan pemprosesan imej sebelum latihan, kami mengembangkan set data menggunakan kaedah peningkatan imej seperti geometri dan ruang warna, dan gunakan HSV dalam ruang warna, seperti yang ditunjukkan dalam Rajah 1.

Penambahbaikan model pembelotan kecacatan R-CNN yang Lebih Pantas Dalam model algoritma R-CNN yang Lebih Pantas, pertama sekali, anda perlu mengekstrak ciri gambar input, dan ciri output yang diekstrak boleh menjejaskan kesan pengesanan akhir secara langsung.Teras pengesanan objek ialah pengekstrakan ciri.Rangkaian pengekstrakan ciri biasa dalam model algoritma Faster R-CNN ialah rangkaian VGG-16.Model rangkaian ini mula-mula digunakan dalam klasifikasi imej [4], dan kemudian ia telah menjadi sangat baik dalam segmentasi semantik [5] dan pengesanan saliency [6].

Rangkaian pengekstrakan ciri dalam model algoritma Faster R-CNN ditetapkan kepada VGG-16, walaupun model algoritma mempunyai prestasi yang baik dalam pengesanan, ia hanya menggunakan output peta ciri dari lapisan terakhir dalam pengekstrakan ciri imej, jadi akan ada beberapa kehilangan dan peta ciri tidak dapat disiapkan sepenuhnya, yang akan membawa kepada ketidaktepatan dalam pengesanan objek sasaran kecil dan menjejaskan kesan pengecaman akhir.