OEM nouvel ensemble de vanne à rampe commune F00VC01329 pour injecteur 0445110168 169 284 315

Détection de défauts du siège de soupape d'injecteur automobile basée sur la fusion de caractéristiques(partie 3)

En conséquence, lors de la détection du siège de la soupape d'injecteur, l'image doit être compressée et la taille de l'image est traitée à 800 × 600. Après avoir obtenu les données d'image standard unifiées, la méthode d'amélioration des données est utilisée pour éviter une pénurie de données. et la capacité de généralisation du modèle est améliorée.L'amélioration des données est une partie importante de la formation de modèles d'apprentissage profond [3].Il existe généralement deux façons d’augmenter les données.La première consiste à ajouter une couche de perturbation des données au modèle de réseau pour permettre à l'image d'être entraînée à chaque fois. Il existe une autre méthode plus directe et simple, les échantillons d'image sont améliorés par le traitement d'image avant l'entraînement, nous élargissons l'ensemble de données en utilisant méthodes d'amélioration de l'image telles que la géométrie et l'espace colorimétrique, et utilisez HSV dans l'espace colorimétrique, comme le montre la figure 1.

Amélioration du modèle de défection de défaut Faster R-CNN Dans le modèle d'algorithme Faster R-CNN, vous devez tout d'abord extraire les caractéristiques de l'image d'entrée, et les caractéristiques de sortie extraites peuvent affecter directement l'effet de détection final.Le cœur de la détection d’objets est l’extraction de caractéristiques.Le réseau d'extraction de fonctionnalités communes dans le modèle d'algorithme Faster R-CNN est le réseau VGG-16.Ce modèle de réseau a d'abord été utilisé dans la classification d'images [4], puis il s'est révélé excellent en segmentation sémantique [5] et en détection de saillance [6].

Le réseau d'extraction de caractéristiques dans le modèle d'algorithme Faster R-CNN est défini sur VGG-16, bien que le modèle d'algorithme ait de bonnes performances en matière de détection, il utilise uniquement la sortie de la carte de caractéristiques de la dernière couche dans l'extraction de caractéristiques d'image, il y aura donc certaines pertes et la carte des caractéristiques ne peuvent pas être entièrement complétées, ce qui entraînera une inexactitude dans la détection des petits objets cibles et affectera l'effet de reconnaissance final.