OEM ახალი საერთო სარკინიგზო სარქვლის ასამბლეა F00VC01329 0445110168 169 284 315 ინჟექტორისთვის

მანქანის ინჟექტორის სარქვლის სავარძლის დეფექტის გამოვლენა ფუნქციური შერწყმის საფუძველზე(ნაწილი 3)

შედეგად, ინჟექტორის სარქვლის საჯდომის გამოვლენისას საჭიროა სურათის შეკუმშვა და სურათის ზომა დამუშავებულია 800 × 600-მდე, ერთიანი სტანდარტული სურათის მონაცემების მიღების შემდეგ, მონაცემთა გაუმჯობესების მეთოდი გამოიყენება მონაცემთა ნაკლებობის თავიდან ასაცილებლად. და მოდელის განზოგადების უნარი გაუმჯობესებულია. მონაცემთა გაძლიერება ღრმა სწავლის მოდელების ტრენინგის მნიშვნელოვანი ნაწილია [3]. ზოგადად მონაცემების გაზრდის ორი გზა არსებობს. ერთი არის ქსელის მოდელში მონაცემთა დარღვევის ფენის დამატება, რათა გამოსახულება ყოველ ჯერზე ივარჯიშოს, არის კიდევ ერთი გზა, რომელიც უფრო მარტივი და მარტივია, გამოსახულების ნიმუშები გაუმჯობესებულია გამოსახულების დამუშავებით ვარჯიშამდე, ჩვენ ვაფართოებთ მონაცემთა ნაკრების გამოყენებით გამოსახულების გაუმჯობესების მეთოდები, როგორიცაა გეომეტრია და ფერთა სივრცე, და გამოიყენეთ HSV ფერთა სივრცეში, როგორც ნაჩვენებია სურათზე 1.

სწრაფი R-CNN დეფექტის მოდელის გაუმჯობესება Faster R-CNN ალგორითმის მოდელში, უპირველეს ყოვლისა, თქვენ უნდა ამოიღოთ შეყვანის სურათის მახასიათებლები, ხოლო ამოღებულმა გამომავალმა მახასიათებლებმა შეიძლება პირდაპირ გავლენა მოახდინოს საბოლოო გამოვლენის ეფექტზე. ობიექტის გამოვლენის ძირითადი საფუძველია ფუნქციების ამოღება. Faster R-CNN ალგორითმის მოდელში საერთო მახასიათებლების მოპოვების ქსელი არის VGG-16 ქსელი. ეს ქსელური მოდელი პირველად გამოიყენეს გამოსახულების კლასიფიკაციაში [4], შემდეგ კი ის იყო შესანიშნავი სემანტიკური სეგმენტაციის [5] და გამოვლენის გამოვლენაში [6].

Faster R-CNN ალგორითმის მოდელში ფუნქციების ამოღების ქსელი დაყენებულია VGG-16-ზე, თუმცა ალგორითმის მოდელს აქვს კარგი შესრულება გამოვლენაში, ის იყენებს მხოლოდ ბოლო ფენის მახასიათებლის რუქას გამოსახულების ფუნქციების ამოღებაში, ასე რომ იქნება ზოგიერთი დანაკარგი და მახასიათებლის რუკა სრულად ვერ სრულდება, რაც გამოიწვევს მცირე სამიზნე ობიექტების აღმოჩენის უზუსტობას და იმოქმედებს საბოლოო ამოცნობის ეფექტზე.