מכלול שסתום מסילה משותפת חדשה OEM F00VC01329 עבור מזרק 0445110168 169 284 315

זיהוי פגמים במושב שסתום מזרק הרכב מבוסס על היתוך תכונה(חלק 3)

כתוצאה מכך, בזיהוי מושב שסתום המזרק, יש לדחוס את התמונה, וגודל התמונה מעובד ל-800 × 600, לאחר קבלת נתוני התמונה הסטנדרטיים המאוחדים, נעשה שימוש בשיטת שיפור הנתונים כדי למנוע מחסור בנתונים, ויכולת הכללת המודל משופרת. שיפור הנתונים הוא חלק חשוב בהכשרת מודלים של למידה עמוקה [3]. יש בדרך כלל שתי דרכים להגדיל את הנתונים. האחת היא הוספת שכבת הפרעות נתונים למודל הרשת כדי לאפשר לאמן את התמונה בכל פעם, יש דרך אחרת שהיא יותר פשוטה ופשוטה, דגימות התמונה משופרות על ידי עיבוד תמונה לפני האימון, אנו מרחיבים את מערך הנתונים באמצעות שיטות שיפור תמונה כגון גיאומטריה ומרחב צבע, והשתמש ב-HSV במרחב הצבעים, כפי שמוצג באיור 1.

שיפור של מודל עריקת פגם מהיר יותר של R-CNN במודל האלגוריתם של Faster R-CNN, קודם כל, עליך לחלץ את התכונות של תמונת הקלט, ותכונות הפלט שחולצו יכולות להשפיע ישירות על אפקט הזיהוי הסופי. הליבה של זיהוי אובייקטים היא חילוץ תכונות. רשת חילוץ התכונות הנפוצה במודל האלגוריתם Faster R-CNN היא רשת VGG-16. מודל רשת זה שימש לראשונה בסיווג תמונות [4], ולאחר מכן הוא היה מצוין בפילוח סמנטי [5] וזיהוי בולטות [6].

רשת חילוץ התכונות במודל האלגוריתם Faster R-CNN מוגדרת ל-VGG-16, למרות שלמודל האלגוריתם יש ביצועים טובים בזיהוי, הוא משתמש רק בפלט מפת התכונות מהשכבה האחרונה בחילוץ תכונות התמונה, כך שיהיו חלק מההפסדים ואת מפת התכונות לא ניתן להשלים במלואה, מה שיוביל לאי דיוק בזיהוי אובייקטי מטרה קטנים וישפיע על אפקט הזיהוי הסופי.