OEM nuevo conjunto de válvula Common Rail F00VC01329 para inyector 0445110168 169 284 315

Detección de defectos en el asiento de la válvula del inyector automotriz basada en la fusión de características(parte 3)

Como resultado, al detectar el asiento de la válvula del inyector, es necesario comprimir la imagen y procesar el tamaño de la imagen a 800 × 600. Después de obtener los datos de imagen estándar unificados, se utiliza el método de mejora de datos para evitar la escasez de datos. y se mejora la capacidad de generalización del modelo. La mejora de datos es una parte importante del entrenamiento de modelos de aprendizaje profundo [3]. Generalmente hay dos formas de aumentar los datos. Una es agregar una capa de perturbación de datos al modelo de red para permitir que la imagen se entrene cada vez, hay otra forma que es más directa y simple: las muestras de imágenes se mejoran mediante el procesamiento de imágenes antes del entrenamiento, expandimos el conjunto de datos usando métodos de mejora de imagen como la geometría y el espacio de color, y utilice HSV en el espacio de color, como se muestra en la Figura 1.

Mejora del modelo de deserción de defectos Faster R-CNN En el modelo de algoritmo Faster R-CNN, en primer lugar, debe extraer las características de la imagen de entrada, y las características de salida extraídas pueden afectar directamente el efecto de detección final. El núcleo de la detección de objetos es la extracción de características. La red de extracción de características común en el modelo de algoritmo Faster R-CNN es la red VGG-16. Este modelo de red se utilizó por primera vez en la clasificación de imágenes [4] y luego ha sido excelente en la segmentación semántica [5] y la detección de prominencia [6].

La red de extracción de características en el modelo de algoritmo Faster R-CNN está configurada en VGG-16. Aunque el modelo de algoritmo tiene un buen rendimiento en la detección, solo utiliza la salida del mapa de características de la última capa en la extracción de características de la imagen, por lo que habrá Algunas pérdidas y el mapa de características no se pueden completar por completo, lo que provocará inexactitud en la detección de objetos objetivos pequeños y afectará el efecto de reconocimiento final.