Új F00VC01362 közös nyomócsöves szelep 0445110302 0445110303 befecskendező tűhöz

A társadalom gyors fejlődésének köszönhetően az autók egyre fontosabb utazási eszközökké váltak a mindennapi életben. Az autóhengerek benzinének befecskendezésére szolgáló eszközként az autóinjektorok szelepülése nagyon fontos szerepet játszik az üzemanyag mennyiségének szabályozásában. Az alkatrészek minőségének javítása fontos kérdéssé vált, de az alkatrészek kis mérete miatt könnyen korlátozható a feldolgozási technológia. A gyártási folyamat során elkerülhetetlenül karcolásokat, hibákat, rozsdafoltokat, fehér foltokat és más típusú hibákat hagy benne, ami befolyásolja az autóipari befecskendező ülésének teljesítményét.

Ezért a hibás alkatrészek kiválasztása sok részből elkerülhetetlen projektté vált. A képadatok rohamos növekedésével és a hardveres számítási képesség rohamos fejlődésével a konvolúciós neurális hálózat által képviselt mélytanulás-detektálási technológiát alkalmazták a hibadetektálás kapcsolódó feladataira. A hagyományos algoritmushoz képest a teljesítmény jelentősen javult. 2014-ben Ross Girshick [1] és mások az R-CNN algoritmust javasolták a jelölt régiók szelektív keresési algoritmuson keresztül történő kinyerésére, de az algoritmus számításigényes és lassú. Ezt követően az SPP-Net céldetektáló algoritmust javasolják, amely megoldja az objektum deformációjának problémáját, majd a Fast R-CNN-t javasolják a többfeladatos veszteség és a RoI Pooling bevezetésével, amely többfeladatos tanulást használ az osztályozás és a regresszió befejezéséhez.

Az algoritmus által alkalmazott regionális módszer azonban továbbra is sok időt vesz igénybe. Ezért Ren [2] a Faster R-CNN algoritmust javasolta. Az algoritmus a Fast R-CNN algoritmus alapján vezeti be az RPN hálózatot, amely nagymértékben javult sebességben és teljesítményben. A Faster R-CNN algoritmus jobb eredményeket érhet el az objektumészlelésben, mint más algoritmusok.