OEM Nýtt Common Rail ventlasamsetning F00VC01329 Fyrir 0445110168 169 284 315 inndælingartæki

Gallagreining á innspýtingarventilsæti bifreiða byggt á samruna eiginleika(hluti 3)

Þar af leiðandi, við uppgötvun inndælingarventilsætisins, þarf að þjappa myndinni saman og myndstærðin er unnin í 800 × 600, eftir að hafa fengið sameinuð staðlað myndgögn, er gagnaaukaaðferðin notuð til að forðast gagnaskort, og alhæfingarhæfni líkansins er aukin. Gagnaaukning er mikilvægur hluti af þjálfun djúpnámslíkana [3]. Það eru almennt tvær leiðir til að auka gögn. Einn er að bæta gagnatruflanalagi við netlíkanið til að gera myndina kleift að þjálfa í hvert skipti, það er önnur leið sem er einfaldari og einfaldari, myndsýnin eru endurbætt með myndvinnslu fyrir þjálfun, við stækkum gagnasettið með því að nota myndbætingaraðferðir eins og rúmfræði og litarými, og notaðu HSV í litarýminu, eins og sýnt er á mynd 1.

Endurbætur á hraðari R-CNN göllunarlíkani Í hraðari R-CNN reiknirit líkaninu þarftu fyrst og fremst að draga út eiginleika inntaksmyndarinnar og útdregin úttakseiginleikar geta haft bein áhrif á endanlega uppgötvunaráhrifin. Kjarninn í hlutgreiningu er útdráttur eiginleika. Sameiginlega útdráttarnetið í Faster R-CNN reiknirit líkaninu er VGG-16 netið. Þetta netlíkan var fyrst notað í myndflokkun [4] og síðan hefur það verið frábært í merkingargreiningu [5] og áberandi greiningu [6].

Eiginleikaútdráttarnetið í Faster R-CNN reiknirit líkaninu er stillt á VGG-16, þó að reiknirit líkanið hafi góða frammistöðu við uppgötvun, notar það aðeins eiginleikakortsúttakið frá síðasta lagi í myndeiginleikaútdrætti, þannig að það verður sumt tap og ekki er hægt að fullgera eiginleikakortið að fullu, sem mun leiða til ónákvæmni við uppgötvun lítilla markhluta og hafa áhrif á endanlega viðurkenningaráhrif.