OEM Lắp ráp van đường sắt chung mới F00VC01329 cho kim phun 0445110168 169 284 315

Phát hiện khuyết tật của ghế van phun ô tô dựa trên tính năng tổng hợp(phần 3)

Do đó, khi phát hiện ghế van kim phun, hình ảnh cần được nén và kích thước hình ảnh được xử lý thành 800 × 600, sau khi có được dữ liệu hình ảnh tiêu chuẩn thống nhất, phương pháp nâng cao dữ liệu được sử dụng để tránh thiếu dữ liệu, và khả năng khái quát hóa mô hình được nâng cao. Tăng cường dữ liệu là một phần quan trọng trong việc đào tạo các mô hình học sâu [3]. Nhìn chung có hai cách để tăng dữ liệu. Một là thêm lớp nhiễu loạn dữ liệu vào mô hình mạng để cho phép hình ảnh được đào tạo mọi lúc, có một cách khác đơn giản và dễ hiểu hơn, các mẫu hình ảnh được nâng cao bằng cách xử lý hình ảnh trước khi đào tạo, chúng tôi mở rộng tập dữ liệu bằng cách sử dụng các phương pháp nâng cao hình ảnh như hình học và không gian màu, đồng thời sử dụng HSV trong không gian màu, như trong Hình 1.

Cải thiện mô hình đào thải khiếm khuyết R-CNN nhanh hơn Trong mô hình thuật toán Faster R-CNN, trước hết, bạn cần trích xuất các đặc điểm của hình ảnh đầu vào và các đặc điểm đầu ra được trích xuất có thể ảnh hưởng trực tiếp đến hiệu ứng phát hiện cuối cùng. Cốt lõi của phát hiện đối tượng là trích xuất tính năng. Mạng trích xuất đặc trưng phổ biến trong mô hình thuật toán Faster R-CNN là mạng VGG-16. Mô hình mạng này lần đầu tiên được sử dụng trong phân loại hình ảnh [4], sau đó nó rất xuất sắc trong phân đoạn ngữ nghĩa [5] và phát hiện độ mặn [6].

Mạng trích xuất đặc trưng trong mô hình thuật toán Faster R-CNN được đặt thành VGG-16, mặc dù mô hình thuật toán có hiệu suất phát hiện tốt nhưng nó chỉ sử dụng đầu ra bản đồ đặc trưng từ lớp cuối cùng trong trích xuất đặc trưng ảnh nên sẽ có một số tổn thất và bản đồ đặc điểm không thể được hoàn thiện đầy đủ, điều này sẽ dẫn đến việc phát hiện các đối tượng mục tiêu nhỏ không chính xác và ảnh hưởng đến hiệu quả nhận dạng cuối cùng.