OEM neue Common-Rail-Ventilbaugruppe F00VC01329 für 0445110168 169 284 315 Injektor

Fehlererkennung am Ventilsitz von Kfz-Einspritzventilen basierend auf Merkmalsfusion(Teil 3)

Daher muss bei der Erkennung des Einspritzventilsitzes das Bild komprimiert und die Bildgröße auf 800 × 600 verarbeitet werden. Nach Erhalt der einheitlichen Standardbilddaten wird die Datenverbesserungsmethode verwendet, um Datenknappheit zu vermeiden. und die Fähigkeit zur Modellverallgemeinerung wird verbessert. Die Datenverbesserung ist ein wichtiger Bestandteil des Trainings von Deep-Learning-Modellen [3]. Es gibt im Allgemeinen zwei Möglichkeiten, die Daten zu erhöhen. Eine besteht darin, dem Netzwerkmodell eine Datenstörungsschicht hinzuzufügen, damit das Bild jedes Mal trainiert werden kann. Es gibt eine andere Möglichkeit, die einfacher und unkomplizierter ist: Die Bildbeispiele werden vor dem Training durch Bildverarbeitung verbessert, wir erweitern den Datensatz mithilfe von Bildverbesserungsmethoden wie Geometrie und Farbraum und verwenden HSV im Farbraum, wie in Abbildung 1 dargestellt.

Verbesserung des schnelleren R-CNN-Defektfehlermodells Im schnelleren R-CNN-Algorithmusmodell müssen zunächst die Merkmale des Eingabebilds extrahiert werden, und die extrahierten Ausgabemerkmale können sich direkt auf den endgültigen Erkennungseffekt auswirken. Der Kern der Objekterkennung ist die Merkmalsextraktion. Das gemeinsame Merkmalsextraktionsnetzwerk im Faster R-CNN-Algorithmusmodell ist das VGG-16-Netzwerk. Dieses Netzwerkmodell wurde zuerst bei der Bildklassifizierung [4] verwendet und hat sich dann hervorragend bei der semantischen Segmentierung [5] und der Erkennung von Ausprägungen [6] bewährt.

Das Merkmalsextraktionsnetzwerk im Faster R-CNN-Algorithmusmodell ist auf VGG-16 eingestellt. Obwohl das Algorithmusmodell eine gute Erkennungsleistung aufweist, verwendet es bei der Bildmerkmalsextraktion nur die Feature-Map-Ausgabe der letzten Ebene, sodass dies der Fall sein wird Einige Verluste und die Feature-Map können nicht vollständig vervollständigt werden, was zu Ungenauigkeiten bei der Erkennung kleiner Zielobjekte führt und den endgültigen Erkennungseffekt beeinträchtigt.