شیر کامن ریل جدید F00VC01362 برای انژکتور 0445110302 0445110303 برای سوزن تزریق

با توجه به توسعه سریع جامعه، اتومبیل به یک ابزار مسافرتی مهم در زندگی روزمره تبدیل شده است. به عنوان وسیله ای برای تزریق بنزین به سیلندرهای خودرو، نشیمنگاه سوپاپ انژکتورهای خودرو نقش بسیار مهمی در کنترل کمیت سوخت ایفا می کند. نحوه بهبود کیفیت قطعات به موضوع مهمی تبدیل شده است، اما به دلیل اندازه کوچک قطعات، محدود شدن با فناوری پردازش آسان است. در طول فرآیند تولید، به ناچار خراش، ایراد، لکه های زنگ زدگی، لکه های سفید و انواع دیگر عیوب را در داخل باقی می گذارد که بر عملکرد صندلی انژکتوری خودرو تأثیر می گذارد.

بنابراین، انتخاب قطعات معیوب از بسیاری از قطعات به یک پروژه اجتناب ناپذیر تبدیل شده است. با افزایش سریع داده‌های تصویر و پیشرفت سریع توانایی محاسبات سخت‌افزاری، فناوری تشخیص یادگیری عمیق، که توسط شبکه عصبی کانولوشن نشان داده می‌شود، برای وظایف مرتبط با تشخیص عیب استفاده شده است. در مقایسه با الگوریتم سنتی، عملکرد تا حد زیادی بهبود یافته است. در سال 2014، راس گیرشیک [1] و دیگران الگوریتم R-CNN را برای استخراج مناطق کاندید از طریق یک الگوریتم جستجوی انتخابی پیشنهاد کردند، اما این الگوریتم از نظر محاسباتی فشرده و کند است. متعاقباً الگوریتم تشخیص هدف SPP-Net پیشنهاد شده است که مشکل تغییر شکل جسم را حل می کند و سپس Fast R-CNN با معرفی از دست دادن چند وظیفه و RoI Pooling پیشنهاد می شود که از یادگیری چند وظیفه ای برای تکمیل طبقه بندی و رگرسیون استفاده می کند.

با این حال، روش منطقه ای اتخاذ شده توسط الگوریتم هنوز زمان زیادی را مصرف می کند. بنابراین، رن [2] الگوریتم سریعتر R-CNN را پیشنهاد کرد. این الگوریتم شبکه RPN را بر اساس الگوریتم Fast R-CNN معرفی می کند که در سرعت و عملکرد بسیار بهبود یافته است. الگوریتم Faster R-CNN می تواند نتایج بهتری در تشخیص اشیا نسبت به سایر الگوریتم ها به دست آورد.