Nouveau Ensemble de Valve d'accessoires d'injecteur à rampe commune F00VC01317 pour injecteur 0445110230

Détection de défauts du siège de soupape d'injecteur automobile basée sur la fusion de caractéristiques(partie 2)

Bien que l'algorithme Faster R-CNN ait de bonnes performances de détection dans la détection d'objets, la taille des défauts du siège de l'injecteur de carburant automobile est relativement petite et il existe de nombreux types de défauts. Par conséquent, la détection Faster R-CNN est utilisée dans le processus, il est impossible de compléter avec précision l'identification et le positionnement des défauts, ce qui est susceptible d'entraîner une inspection manquée. Dans cet article, nous introduisons l'idée de fusion de caractéristiques sur l'algorithme Faster R-CNN, fusionnons les caractéristiques de différentes couches de convolution, améliorons la capacité d'expression de l'algorithme de détection et rendons plus précise la détection des défauts du siège de soupape de l'injecteur automobile.

2. Construction d'un ensemble de données

2.1 Traitement des données d'images

Dans le processus de collecte des défauts dans le siège de soupape de l'injecteur automobile à l'aide de matériel tel que des caméras industrielles CCD, des outils, un PC, etc., en raison de l'interférence de l'environnement, du courant, du fonctionnement et d'autres facteurs, les images collectées augmentera la difficulté des opérations ultérieures, afin de les simplifier. Le travail ultérieur nécessite des méthodes efficaces pour prétraiter les images en production réelle.

Premièrement, pendant le processus d'acquisition d'images, des problèmes surviendront tels que la redondance des images et des irrégularités de dénomination lors de la sauvegarde. Les images redondantes n'affecteront pas seulement le travail, leur efficacité aura un impact important et augmenteront la difficulté du travail ultérieur. Il est donc nécessaire de supprimer les images en double.

Deuxièmement, dans la collecte Au cours du processus de prise d'image, en raison de l'influence du courant et du bruit, certaines informations non pertinentes seront générées. Il est donc nécessaire d’utiliser la méthode de filtrage gaussien pour débruiter l’image et conserver les informations utiles à la détection et à la reconnaissance.