Új Common Rail befecskendező tartozékok szelepegység F00VC01317 0445110230 befecskendezőhöz

Az autóipari befecskendezőszelep-ülék hibáinak észlelése jellemző-fúzió alapján(2. rész)

Bár a Faster R-CNN algoritmus jó észlelési teljesítményt nyújt a tárgyak észlelésében, az autó üzemanyag-befecskendezőjének üléshibája viszonylag kicsi, és sokféle hiba van. Ezért a folyamatban a Faster R-CNN észlelést alkalmazzák, lehetetlen pontosan befejezni a hibák azonosítását és pozícionálását, ami valószínűleg az ellenőrzés elmaradását okozza. Ebben a cikkben bemutatjuk a funkciófúzió ötletét a Faster R-CNN algoritmuson, egyesítjük a különböző konvolúciós rétegek jellemzőit, javítjuk a detektáló algoritmus kifejezőképességét, és pontosabbá tesszük a szelepülés hibáinak észlelését. az autó befecskendezőjét.

2. Adatkészlet felépítése

2.1 Képadatok feldolgozása

Az autóbefecskendező szelepülékében a környezet, áram, működés és egyéb tényezők interferenciája miatti hardverekkel, például CCD ipari kamerák, szerszámok, PC stb. megnehezíti a későbbi műveleteket, az egyszerűsítés érdekében. A későbbi munkához hatékony módszerekre van szükség a képek tényleges gyártás során történő előfeldolgozására.

Először is, a képfelvételi folyamat során olyan problémák lépnek fel, mint a képredundancia és a mentés során elnevezési szabálytalanságok. A redundáns képek nemcsak a munkát befolyásolják, hanem a hatékonyság is nagy hatással van, és megnehezíti a későbbi munkavégzést. Ezért el kell távolítani az ismétlődő képeket.

Másodszor, a gyűjteményben A kép folyamatában az áram és a zaj hatása miatt néhány irreleváns információ keletkezik. Ezért szükséges a Gauss-féle szűrési módszer használata a kép zajtalanításához és a hasznos információk megőrzéséhez az észleléshez és felismeréshez.