Нов вентил Common Rail F00VC01362 за инжектор 0445110302 0445110303 за инжекционна игла

Поради бързото развитие на обществото, автомобилите стават все по-важен инструмент за пътуване в ежедневието. Като устройство за впръскване на бензин в автомобилни цилиндри, седлото на клапана на автомобилните инжектори играе много важна роля в контрола на количеството гориво. Как да се подобри качеството на частите се превърна във важен въпрос, който предизвиква загриженост, но поради малкия размер на частите е лесно да бъдете ограничени от технологията на обработка. По време на производствения процес той неизбежно ще остави драскотини, дефекти, петна от ръжда, бели петна и други видове дефекти вътре, което се отразява на работата на седалката на автомобилния инжектор.

Следователно избирането на дефектни части от много части се превърна в неизбежен проект. С бързото увеличаване на данните за изображения и бързия прогрес на хардуерните изчислителни способности, технологията за откриване на дълбоко обучение, представена от конволюционна невронна мрежа, е приложена към свързаните задачи за откриване на дефекти. В сравнение с традиционния алгоритъм, производителността е значително подобрена. През 2014 г. Рос Гиршик [1] ​​и други предложиха алгоритъма R-CNN за извличане на региони кандидати чрез алгоритъм за селективно търсене, но алгоритъмът изисква много изчисления и е бавен. Впоследствие се предлага алгоритъмът за откриване на цел SPP-Net, който решава проблема с деформацията на обекта, а след това се предлага Fast R-CNN чрез въвеждане на многозадачна загуба и RoI Pooling, който използва многозадачно обучение за завършване на класификация и регресия.

Регионалният метод, възприет от алгоритъма, обаче ще отнеме много време. Затова Ren [2] предложи алгоритъма Faster R-CNN. Алгоритъмът въвежда RPN мрежата на базата на алгоритъма Fast R-CNN, който е значително подобрен по отношение на скоростта и производителността. Алгоритъмът Faster R-CNN може да постигне по-добри резултати при откриване на обекти в сравнение с други алгоритми.