OEM ใหม่ Common Rail วาล์ว F00VC01329 สำหรับ 0445110168 169 284 315 หัวฉีด

การตรวจจับข้อบกพร่องของบ่าวาล์วหัวฉีดยานยนต์โดยพิจารณาจากคุณสมบัติฟิวชั่น(ตอนที่ 3)

เป็นผลให้ในการตรวจจับบ่าวาล์วหัวฉีด รูปภาพจะต้องถูกบีบอัด และขนาดรูปภาพจะถูกประมวลผลเป็น 800 × 600 หลังจากได้รับข้อมูลรูปภาพมาตรฐานแบบรวมแล้ว วิธีการเพิ่มประสิทธิภาพข้อมูลจะถูกนำมาใช้เพื่อหลีกเลี่ยงการขาดแคลนข้อมูล และความสามารถในการวางนัยทั่วไปของโมเดลได้รับการปรับปรุง การปรับปรุงข้อมูลเป็นส่วนสำคัญของการฝึกอบรมโมเดลการเรียนรู้เชิงลึก [3] โดยทั่วไปมีสองวิธีในการเพิ่มข้อมูล วิธีหนึ่งคือการเพิ่มเลเยอร์การก่อกวนข้อมูลให้กับโมเดลเครือข่ายเพื่อให้ฝึกอิมเมจได้ทุกครั้ง มีอีกวิธีหนึ่งที่ตรงไปตรงมาและเรียบง่ายยิ่งขึ้น ตัวอย่างรูปภาพได้รับการปรับปรุงโดยการประมวลผลภาพก่อนการฝึกเราขยายชุดข้อมูลโดยใช้ วิธีการปรับปรุงภาพ เช่น เรขาคณิตและพื้นที่สี และใช้ HSV ในพื้นที่สี ดังแสดงในรูปที่ 1

การปรับปรุงโมเดลข้อบกพร่อง Faster R-CNN ในโมเดลอัลกอริธึม Faster R-CNN อันดับแรก คุณต้องแยกคุณลักษณะของรูปภาพอินพุต และคุณลักษณะเอาต์พุตที่แยกออกมาอาจส่งผลโดยตรงต่อเอฟเฟกต์การตรวจจับขั้นสุดท้าย แกนหลักของการตรวจจับวัตถุคือการแยกคุณสมบัติ เครือข่ายการแยกคุณสมบัติทั่วไปในโมเดลอัลกอริธึม Faster R-CNN คือเครือข่าย VGG-16 โมเดลเครือข่ายนี้ถูกใช้ครั้งแรกในการจำแนกภาพ [4] และจากนั้นก็มีความยอดเยี่ยมในการแบ่งส่วนความหมาย [5] และการตรวจจับความเด่น [6]

เครือข่ายการแยกคุณลักษณะในโมเดลอัลกอริธึม Faster R-CNN ถูกตั้งค่าเป็น VGG-16 แม้ว่าโมเดลอัลกอริทึมจะมีประสิทธิภาพที่ดีในการตรวจจับ แต่ก็ใช้เฉพาะเอาท์พุตแผนผังคุณลักษณะจากเลเยอร์สุดท้ายในการแยกคุณลักษณะรูปภาพ ดังนั้นจะมี การสูญเสียบางส่วนและแผนผังคุณลักษณะไม่สามารถทำให้เสร็จสมบูรณ์ได้ ซึ่งจะนำไปสู่ความไม่ถูกต้องในการตรวจจับวัตถุเป้าหมายขนาดเล็ก และส่งผลต่อผลการจดจำขั้นสุดท้าย