OEM नयाँ साझा रेल भल्भ विधानसभा F00VC01329 0445110168 169 284 315 इन्जेक्टरको लागि

विशेषता फ्यूजनको आधारमा मोटर वाहन इन्जेक्टर भल्भ सीटको दोष पत्ता लगाउने(भाग ३)

नतिजाको रूपमा, इन्जेक्टर भल्भ सीटको पहिचानमा, तस्विर संकुचित गर्न आवश्यक छ, र तस्वीर आकार 800 × 600 मा प्रशोधन गरिएको छ, एकीकृत मानक छवि डेटा प्राप्त गरेपछि, डाटाको कमीबाट बच्न डेटा वृद्धि विधि प्रयोग गरिन्छ, र मोडेल सामान्यीकरण क्षमता बढाइएको छ। डेटा वृद्धि गहिरो शिक्षा मोडेल प्रशिक्षण को एक महत्वपूर्ण भाग हो [3]। डेटा बढाउने सामान्यतया दुई तरिकाहरू छन्। एउटा तस्बिरलाई हरेक पटक प्रशिक्षित गर्न अनुमति दिन नेटवर्क मोडेलमा डाटा पेस्टर्बेशन लेयर थप्नु हो, त्यहाँ अर्को तरिका हो जुन अझ सीधा र सरल छ, छवि नमूनाहरू प्रशिक्षण अघि छवि प्रशोधन द्वारा बढाइन्छ, हामी प्रयोग गरेर डेटा सेट विस्तार गर्दछौं। चित्र संवर्द्धन विधिहरू जस्तै ज्यामिति र रङ स्पेस, र रङ स्पेसमा HSV प्रयोग गर्नुहोस्, चित्र १ मा देखाइए अनुसार।

द्रुत R-CNN डिफेक्ट डिफेक्सन मोडेलको सुधार द्रुत R-CNN एल्गोरिथ्म मोडेलमा, सबै भन्दा पहिले, तपाईंले इनपुट चित्रका सुविधाहरू निकाल्न आवश्यक छ, र निकालिएको आउटपुट सुविधाहरूले प्रत्यक्ष रूपमा अन्तिम पत्ता लगाउने प्रभावलाई असर गर्न सक्छ। वस्तु पत्ता लगाउने मुख्य विशेषता निकासी हो। फास्टर R-CNN एल्गोरिथ्म मोडेलमा सामान्य सुविधा निकासी नेटवर्क VGG-16 नेटवर्क हो। यो नेटवर्क मोडेल पहिलो पटक छवि वर्गीकरण मा प्रयोग गरिएको थियो [4], र त्यसपछि यो सिमेन्टिक विभाजन [5] र saliency पत्ता [6] मा उत्कृष्ट भएको छ।

फास्टर R-CNN एल्गोरिथ्म मोडेलमा सुविधा निकासी नेटवर्क VGG-16 मा सेट गरिएको छ, यद्यपि एल्गोरिथ्म मोडेलले पत्ता लगाउन राम्रो प्रदर्शन गरेको छ, यसले छवि विशेषता निकासीमा अन्तिम तहबाट मात्र सुविधा नक्सा आउटपुट प्रयोग गर्दछ, त्यसैले त्यहाँ हुनेछ। केही हानिहरू र सुविधा नक्सा पूर्ण रूपमा पूरा गर्न सकिँदैन, जसले साना लक्ष्य वस्तुहरू पत्ता लगाउनमा अशुद्धता निम्त्याउँछ र अन्तिम पहिचान प्रभावलाई असर गर्छ।