OEM uus Common Rail klapikomplekt F00VC01329 0445110168 169 284 315 pihusti jaoks

Autode pihusti klapipesa defektide tuvastamine funktsioonide liitmise põhjal(3. osa)

Selle tulemusena tuleb pihusti klapipesa tuvastamisel pilt kokku suruda ja pildi suurus töödeldakse 800 × 600-ni, pärast ühtsete standardsete pildiandmete saamist kasutatakse andmepuuduse vältimiseks andmete täiustamise meetodit, ja mudeli üldistusvõime paraneb. Andmete täiustamine on süvaõppemudelite väljaõppe oluline osa [3]. Üldiselt on andmete suurendamiseks kaks võimalust. Üks on lisada võrgumudelile andmehäirete kiht, et pilti saaks iga kord treenida, on veel üks viis, mis on selgem ja lihtsam, pildinäidiseid täiustab enne treenimist pilditöötlus, laiendame andmekogumit kasutades pildi täiustamise meetodeid, nagu geomeetria ja värviruum, ning kasutage värviruumis HSV-d, nagu on näidatud joonisel 1.

Kiirema R-CNN-i defektide defekti mudeli täiustamine Kiirema R-CNN-i algoritmi mudeli puhul peate esmalt eraldama sisendpildi funktsioonid ja eraldatud väljundfunktsioonid võivad otseselt mõjutada lõplikku tuvastamise efekti. Objekti tuvastamise tuum on funktsioonide eraldamine. Faster R-CNN algoritmi mudelis on ühine tunnuste eraldamise võrk VGG-16 võrk. Seda võrgumudelit kasutati esmalt kujutiste klassifitseerimisel [4] ning seejärel on see olnud suurepärane semantilises segmenteerimises [5] ja silmapaistvuse tuvastamises [6].

Funktsioonide eraldamise võrk Faster R-CNN algoritmi mudelis on seatud väärtusele VGG-16, kuigi algoritmmudelil on hea jõudlus tuvastamisel, kasutab see kujutise funktsioonide eraldamisel ainult viimase kihi funktsioonide kaardi väljundit, seega on mõningaid kadusid ja objektikaarti ei saa täielikult lõpule viia, mis põhjustab väikeste sihtobjektide tuvastamise ebatäpsust ja mõjutab lõplikku tuvastamise efekti.