OEM न्यू कॉमन रेल वाल्व असेंबली F00VC01329 0445110168 169 284 315 इंजेक्टर के लिए

फीचर फ़्यूज़न के आधार पर ऑटोमोटिव इंजेक्टर वाल्व सीट की खराबी का पता लगाना(भाग 3)

परिणामस्वरूप, इंजेक्टर वाल्व सीट का पता लगाने में, चित्र को संपीड़ित करने की आवश्यकता होती है, और चित्र का आकार 800 × 600 तक संसाधित किया जाता है, एकीकृत मानक छवि डेटा प्राप्त करने के बाद, डेटा की कमी से बचने के लिए डेटा एन्हांसमेंट विधि का उपयोग किया जाता है, और मॉडल सामान्यीकरण क्षमता को बढ़ाया जाता है। डेटा संवर्द्धन गहन शिक्षण मॉडल के प्रशिक्षण का एक महत्वपूर्ण हिस्सा है [3]। डेटा बढ़ाने के आम तौर पर दो तरीके हैं। एक है छवि को हर बार प्रशिक्षित करने की अनुमति देने के लिए नेटवर्क मॉडल में एक डेटा गड़बड़ी परत जोड़ना, एक और तरीका है जो अधिक सीधा और सरल है, छवि नमूनों को प्रशिक्षण से पहले छवि प्रसंस्करण द्वारा बढ़ाया जाता है, हम डेटा सेट का विस्तार करते हैं छवि वृद्धि के तरीके जैसे कि ज्यामिति और रंग स्थान, और रंग स्थान में एचएसवी का उपयोग करें, जैसा कि चित्र 1 में दिखाया गया है।

तेज़ आर-सीएनएन दोष-परिवर्तन मॉडल में सुधार तेज़ आर-सीएनएन एल्गोरिदम मॉडल में, सबसे पहले, आपको इनपुट चित्र की विशेषताओं को निकालने की आवश्यकता है, और निकाली गई आउटपुट विशेषताएं सीधे अंतिम पहचान प्रभाव को प्रभावित कर सकती हैं। ऑब्जेक्ट डिटेक्शन का मूल फीचर निष्कर्षण है। फास्टर आर-सीएनएन एल्गोरिदम मॉडल में सामान्य फीचर निष्कर्षण नेटवर्क वीजीजी-16 नेटवर्क है। इस नेटवर्क मॉडल का उपयोग पहली बार छवि वर्गीकरण [4] में किया गया था, और फिर यह सिमेंटिक सेगमेंटेशन [5] और सामर्थ्य का पता लगाने [6] में उत्कृष्ट रहा है।

फास्टर आर-सीएनएन एल्गोरिदम मॉडल में फीचर निष्कर्षण नेटवर्क वीजीजी -16 पर सेट है, हालांकि एल्गोरिदम मॉडल का पता लगाने में अच्छा प्रदर्शन है, यह केवल छवि फीचर निष्कर्षण में अंतिम परत से फीचर मैप आउटपुट का उपयोग करता है, इसलिए ऐसा होगा कुछ नुकसान और फीचर मैप पूरी तरह से पूरा नहीं किया जा सकता है, जिससे छोटी लक्ष्य वस्तुओं का पता लगाने में अशुद्धि हो जाएगी और अंतिम पहचान प्रभाव प्रभावित होगा।