مجموعة صمامات السكك الحديدية المشتركة الجديدة OEM F00VC01329 لحاقن 0445110168 169 284 315

اكتشاف العيوب في مقعد صمام حاقن السيارات بناءً على ميزة الدمج(الجزء 3)

ونتيجة لذلك، عند الكشف عن مقعد صمام الحاقن، يجب ضغط الصورة، ومعالجة حجم الصورة إلى 800 × 600، وبعد الحصول على بيانات الصورة القياسية الموحدة، يتم استخدام طريقة تحسين البيانات لتجنب نقص البيانات، ويتم تعزيز قدرة تعميم النموذج. يعد تحسين البيانات جزءًا مهمًا من تدريب نماذج التعلم العميق [3]. هناك عموما طريقتان لزيادة البيانات. أحدهما هو إضافة طبقة اضطراب البيانات إلى نموذج الشبكة للسماح بتدريب الصورة في كل مرة، وهناك طريقة أخرى أكثر وضوحًا وبساطة، حيث يتم تحسين عينات الصور عن طريق معالجة الصور قبل التدريب، ونقوم بتوسيع مجموعة البيانات باستخدام طرق تحسين الصورة مثل الهندسة ومساحة اللون، واستخدام HSV في مساحة اللون، كما هو موضح في الشكل 1.

تحسين نموذج انشقاق عيب R-CNN الأسرع في نموذج خوارزمية Faster R-CNN، تحتاج أولاً إلى استخراج ميزات صورة الإدخال، ويمكن أن تؤثر ميزات الإخراج المستخرجة بشكل مباشر على تأثير الاكتشاف النهائي. جوهر الكشف عن الكائنات هو استخراج الميزة. شبكة استخراج الميزات المشتركة في نموذج خوارزمية Faster R-CNN هي شبكة VGG-16. تم استخدام نموذج الشبكة هذا لأول مرة في تصنيف الصور [4]، ثم أصبح ممتازًا في التجزئة الدلالية [5] واكتشاف البروز [6].

تم ضبط شبكة استخراج الميزات في نموذج خوارزمية Faster R-CNN على VGG-16، على الرغم من أن نموذج الخوارزمية يتمتع بأداء جيد في الكشف، إلا أنه يستخدم فقط إخراج خريطة الميزات من الطبقة الأخيرة في استخراج ميزات الصورة، لذلك سيكون هناك لا يمكن إكمال بعض الخسائر وخريطة الميزات بالكامل، مما سيؤدي إلى عدم الدقة في اكتشاف الكائنات الصغيرة المستهدفة ويؤثر على تأثير التعرف النهائي.