مونتاژ شیر معمولی ریل جدید OEM F00VC01329 برای انژکتور 0445110168 169 284 315

تشخیص عیب صندلی شیر انژکتور خودرو بر اساس فیوژن ویژگی(قسمت 3)

در نتیجه، در تشخیص صندلی شیر انژکتور، تصویر نیاز به فشرده سازی دارد و اندازه تصویر تا 800 × 600 پردازش می شود، پس از به دست آوردن داده های تصویر استاندارد یکپارچه، از روش افزایش داده ها برای جلوگیری از کمبود داده استفاده می شود. و توانایی تعمیم مدل افزایش یافته است.افزایش داده ها بخش مهمی از آموزش مدل های یادگیری عمیق است [3].به طور کلی دو راه برای افزایش داده وجود دارد.یکی این است که یک لایه اغتشاش داده به مدل شبکه اضافه کنید تا هر بار تصویر را آموزش دهید، راه دیگری وجود دارد که ساده تر و ساده تر است، نمونه های تصویر با پردازش تصویر قبل از آموزش بهبود می یابند، مجموعه داده ها را با استفاده از آن گسترش می دهیم. روش های بهبود تصویر مانند هندسه و فضای رنگی و استفاده از HSV در فضای رنگی، همانطور که در شکل 1 نشان داده شده است.

بهبود مدل نقص سریعتر R-CNN در مدل الگوریتم سریعتر R-CNN، ابتدا باید ویژگی های تصویر ورودی را استخراج کنید و ویژگی های خروجی استخراج شده می توانند مستقیماً بر اثر تشخیص نهایی تأثیر بگذارند.هسته تشخیص اشیا استخراج ویژگی است.شبکه استخراج ویژگی مشترک در مدل الگوریتم سریعتر R-CNN شبکه VGG-16 است.این مدل شبکه ابتدا در طبقه بندی تصاویر [4] استفاده شد و سپس در تقسیم بندی معنایی [5] و تشخیص برجسته بودن [6] بسیار عالی بود.

شبکه استخراج ویژگی در مدل الگوریتم Faster R-CNN روی VGG-16 تنظیم شده است، اگرچه مدل الگوریتم عملکرد خوبی در تشخیص دارد، اما در استخراج ویژگی تصویر تنها از خروجی نقشه ویژگی از آخرین لایه استفاده می کند، بنابراین وجود خواهد داشت. برخی از تلفات و نقشه ویژگی را نمی توان به طور کامل تکمیل کرد که منجر به عدم دقت در تشخیص اجسام کوچک هدف می شود و بر اثر تشخیص نهایی تأثیر می گذارد.