OEM 新しいコモンレールバルブアセンブリ F00VC01329 0445110168 169 284 315 インジェクター用

機能融合に基づく自動車用インジェクターバルブシートの欠陥検出(パート3)

その結果、インジェクターバルブシートの検出では、画像を圧縮する必要があり、画像サイズを800×600に処理し、統一された標準画像データを取得した後、データ不足を回避するためにデータエンハンスメント手法を使用します。そしてモデルの汎化能力が強化されます。データ強化は、深層学習モデルのトレーニングの重要な部分です [3]。データを増やすには一般に 2 つの方法があります。1 つは、ネットワーク モデルにデータ摂動層を追加して、画像を毎回トレーニングできるようにすることです。より簡単でシンプルな別の方法があります。トレーニング前に画像サンプルを画像処理によって強化し、次を使用してデータセットを拡張します。図 1 に示すように、ジオメトリや色空間などの画像強調方法を使用し、色空間で HSV を使用します。

Faster R-CNN 欠陥検出モデルの改善 Faster R-CNN アルゴリズム モデルでは、まず入力画像の特徴を抽出する必要があり、抽出された出力特徴は最終的な検出効果に直接影響します。物体検出の中核は特徴抽出です。Faster R-CNN アルゴリズム モデルの共通特徴抽出ネットワークは VGG-16 ネットワークです。このネットワーク モデルは、最初は画像分類 [4] に使用され、その後、セマンティック セグメンテーション [5] や顕著性検出 [6] に優れています。

Faster R-CNN アルゴリズム モデルの特徴抽出ネットワークは VGG-16 に設定されています。アルゴリズム モデルの検出パフォーマンスは優れていますが、画像特徴抽出では最後の層から出力された特徴マップのみを使用するため、一部の損失が発生し、特徴マップが完全に完成できないため、小さなターゲットオブジェクトの検出が不正確になり、最終的な認識効果に影響します。