Conjunto novo F00VC01329 da válvula do trilho comum do OEM para 0445110168 169 284 315 injetores

Detecção de defeitos na sede da válvula injetora automotiva com base na fusão de recursos(parte 3)

Como resultado, na detecção da sede da válvula injetora, a imagem precisa ser compactada e o tamanho da imagem é processado para 800 × 600. Após obter os dados de imagem padrão unificados, o método de aprimoramento de dados é usado para evitar escassez de dados, e a capacidade de generalização do modelo é aprimorada. O aprimoramento de dados é uma parte importante do treinamento de modelos de aprendizado profundo [3]. Geralmente, existem duas maneiras de aumentar os dados. Uma é adicionar uma camada de perturbação de dados ao modelo de rede para permitir que a imagem seja treinada sempre, há outra maneira que é mais direta e simples, as amostras de imagem são aprimoradas pelo processamento de imagem antes do treinamento, expandimos o conjunto de dados usando métodos de aprimoramento de imagem, como geometria e espaço de cores, e usam HSV no espaço de cores, conforme mostrado na Figura 1.

Melhoria do modelo de deserção de defeitos Faster R-CNN No modelo de algoritmo Faster R-CNN, em primeiro lugar, você precisa extrair os recursos da imagem de entrada, e os recursos de saída extraídos podem afetar diretamente o efeito de detecção final. O núcleo da detecção de objetos é a extração de recursos. A rede de extração de características comuns no modelo de algoritmo Faster R-CNN é a rede VGG-16. Este modelo de rede foi usado pela primeira vez na classificação de imagens [4] e depois tem sido excelente em segmentação semântica [5] e detecção de saliência [6].

A rede de extração de recursos no modelo de algoritmo Faster R-CNN é definida como VGG-16, embora o modelo de algoritmo tenha um bom desempenho na detecção, ele usa apenas a saída do mapa de recursos da última camada na extração de recursos de imagem, então haverá algumas perdas e o mapa de características não podem ser totalmente concluídos, o que levará à imprecisão na detecção de pequenos objetos alvo e afetará o efeito de reconhecimento final.