OEM új közös nyomócsöves szelepegység F00VC01329 0445110168 169 284 315 befecskendezőhöz

Az autóipari befecskendezőszelep-ülék hibáinak észlelése jellemző-fúzió alapján(3. rész)

Ennek eredményeként az injektor szelepülékének észlelésekor a képet tömöríteni kell, és a képméretet 800 × 600-ra kell feldolgozni, az egységes szabványos képadatok beszerzése után az adatbővítési módszert alkalmazzák az adathiány elkerülése érdekében, és a modelláltalánosítási képesség fokozódik.Az adatok javítása a mély tanulási modellek képzésének fontos része [3].Az adatok növelésének általában két módja van.Az egyik az, hogy egy adatperturbációs réteget adunk a hálózati modellhez, hogy a kép minden alkalommal betanítható legyen, van egy másik módszer, amely egyszerűbb és egyszerűbb, a képmintákat képfeldolgozás javítja a betanítás előtt, bővítjük az adatkészletet képjavító módszereket, például geometriát és színteret, és használjon HSV-t a színtérben, amint azt az 1. ábra mutatja.

A Faster R-CNN hibahiba modell fejlesztése A Faster R-CNN algoritmus modellben mindenekelőtt a bemeneti kép jellemzőit kell kivonni, és a kivont kimeneti jellemzők közvetlenül befolyásolhatják a végső észlelési hatást.Az objektumészlelés lényege a jellemzők kivonása.A Faster R-CNN algoritmus modellben a közös jellemzők kivonó hálózata a VGG-16 hálózat.Ezt a hálózati modellt először a képosztályozásban [4] használták, majd a szemantikai szegmentációban [5] és a kiugróság-detektálásban [6] kiválóan teljesített.

A Faster R-CNN algoritmus modellben a jellemzőkivonási hálózat VGG-16-ra van állítva, bár az algoritmus modell jó teljesítményt nyújt az észlelésben, csak az utolsó réteg jellemzőtérkép-kimenetét használja a képelemek kinyeréséhez, így lesz bizonyos veszteségeket és a jellemzőtérképet nem lehet teljesen kitölteni, ami pontatlansághoz vezet a kis célobjektumok észlelésében, és befolyásolja a végső felismerési hatást.