Nuevo Conjunto de válvula de accesorios para inyector Common Rail F00VC01317 para inyector 0445110230

Detección de defectos en el asiento de la válvula del inyector automotriz basada en la fusión de características(parte 2)

Aunque el algoritmo Faster R-CNN tiene un buen rendimiento de detección en la detección de objetos, el tamaño del defecto del asiento del inyector de combustible del automóvil es relativamente pequeño y existen muchos tipos de defectos. Por lo tanto, al utilizar la detección más rápida de R-CNN en el proceso, es imposible completar con precisión la identificación y el posicionamiento de los defectos, lo que probablemente provocará una inspección fallida. En este artículo, presentamos la idea de fusión de características en el algoritmo Faster R-CNN, fusionamos las características de diferentes capas de convolución, mejoramos la capacidad de expresión del algoritmo de detección y lo hacemos más preciso para detectar los defectos del asiento de la válvula de El inyector del automóvil.

2. Construcción del conjunto de datos

2.1 Procesamiento de datos de imágenes

En el proceso de recopilación de defectos en el asiento de válvula del inyector de automóvil con la ayuda de hardware como cámaras industriales CCD, herramientas, PC, etc., debido a la interferencia del entorno, la corriente, el funcionamiento y otros factores, las imágenes recopiladas aumentará la dificultad de las operaciones posteriores, para simplificar el trabajo posterior requiere métodos efectivos para preprocesar las imágenes en la producción real.

Primero, durante el proceso de adquisición de imágenes, habrá problemas como redundancia de imágenes e irregularidades en los nombres durante el guardado. Las imágenes redundantes no sólo afectarán el trabajo, sino que también tendrán un gran impacto en la eficiencia y aumentarán la dificultad del trabajo posterior. Por tanto, es necesario eliminar las imágenes duplicadas.

En segundo lugar, en la recopilación En el proceso de la imagen, debido a la influencia de la corriente y el ruido, se generará información irrelevante. Por lo tanto, es necesario utilizar el método de filtrado gaussiano para eliminar el ruido de la imagen y retener la información útil para la detección y el reconocimiento.