Uus Common Rail ventiil F00VC01362 pihusti 0445110302 0445110303 süstimisnõela jaoks

Ühiskonna kiire arengu tõttu on autod muutunud igapäevaelus üha olulisemaks reisivahendiks. Seadmena bensiini autosilindritesse süstimiseks mängib autopihustite klapipesa kütusekoguse kontrollimisel väga olulist rolli. Osade kvaliteedi parandamine on muutunud oluliseks mureküsimuseks, kuid osade väiksuse tõttu on seda lihtne töötlemistehnoloogiaga piirata. Tootmisprotsessi käigus jätab see paratamatult sisse kriimustusi, defekte, roostelaike, valgeid laike ja muid defekte, mis mõjutavad auto pihusti istme jõudlust.

Seetõttu on paljudest osadest defektsete osade välja valimine muutunud vältimatuks projektiks. Pildiandmete kiire kasvu ja riistvaralise arvutusvõime kiire arenguga on seotud vigade tuvastamise ülesannetega rakendatud sügava õppimise tuvastamise tehnoloogiat, mida esindab konvolutsiooniline närvivõrk. Võrreldes traditsioonilise algoritmiga on jõudlus oluliselt paranenud. 2014. aastal pakkusid Ross Girshick [1] ja teised välja R-CNN-i algoritmi kandidaatpiirkondade eraldamiseks selektiivse otsingu algoritmi kaudu, kuid algoritm on arvutusintensiivne ja aeglane. Seejärel pakutakse välja sihtmärgi tuvastamise algoritm SPP-Net, mis lahendab objekti deformatsiooni probleemi, ja seejärel Fast R-CNN, tutvustades mitme ülesande kadu ja RoI Poolingut, mis kasutab klassifitseerimise ja regressiooni lõpetamiseks mitme ülesandega õppimist.

Algoritmi poolt vastu võetud piirkondlik meetod võtab siiski palju aega. Seetõttu pakkus Ren [2] välja Faster R-CNN algoritmi. Algoritm tutvustab RPN-võrku Fast R-CNN algoritmi alusel, mille kiirust ja jõudlust on oluliselt täiustatud. Kiirem R-CNN-algoritm võib saavutada paremaid tulemusi objektide tuvastamisel kui teised algoritmid.