Nova Komuna Fervoja Valvo F00VC01362 por Injektilo 0445110302 0445110303 por Injekta Nadlo

Pro la rapida evoluo de la socio, aŭtomobiloj fariĝis ĉiam pli grava vojaĝilo en la ĉiutaga vivo. Kiel aparato por injekti benzinon en aŭtajn cilindrojn, la valva sidejo de aŭtoj injektiloj ludas tre gravan rolon en la kontrolo de kvanto de brulaĵo. Kiel plibonigi la kvaliton de la partoj fariĝis grava afero de zorgo, sed pro la malgranda grandeco de partoj, estas facile esti limigita de la pretiga teknologio. Dum la produktada procezo, ĝi neeviteble lasos grataĵojn, difektojn, rustajn makulojn, blankajn makulojn kaj aliajn specojn de difektoj interne, kio influas la agadon de la aŭtomobila injektilo.

Tial, elekti misajn partojn el multaj partoj fariĝis neevitebla projekto. Kun la rapida pliiĝo de bildaj datumoj kaj la rapida progreso de aparataro komputika kapablo, la profunda lernado-detektoteknologio, reprezentita per konvolucia neŭrala reto, estis aplikita al la rilataj taskoj de difekto-detekto. Kompare kun la tradicia algoritmo, la rendimento multe plibonigis. En 2014, Ross Girshick [1] kaj aliaj proponis la R-CNN-algoritmon por ĉerpi kandidatregionojn tra selektema serĉalgoritmo, sed la algoritmo estas komputile intensa kaj malrapida. Poste, la cela detekta algoritmo SPP-Net estas proponita, kiu solvas la problemon de objekta deformado, kaj tiam Fast R-CNN estas proponita per enkonduko de multtaska perdo kaj RoI Pooling, kiu uzas plurtaskan lernadon por kompletigi klasifikon kaj regreson.

Tamen, la regiona metodo adoptita de la algoritmo ankoraŭ konsumos multan tempon. Tial, Ren [2] proponis la Faster R-CNN-algoritmon. La algoritmo enkondukas la RPN-reton surbaze de la Rapida R-CNN-algoritmo, kiu estis multe plibonigita en rapideco kaj rendimento. La Faster R-CNN-algoritmo povas atingi pli bonajn rezultojn en objektodetekto ol aliaj algoritmoj.