Նոր Common Rail փական F00VC01362 ներարկիչի համար 0445110302 0445110303 ներարկման ասեղի համար

Հասարակության արագ զարգացման շնորհիվ ավտոմեքենաները դառնում են առօրյա կյանքում գնալով ավելի կարևոր ճանապարհորդական գործիք: Որպես ավտոմոբիլային բալոնների մեջ բենզին ներարկելու սարք, ավտոմոբիլային ներարկիչների փականի նստատեղը շատ կարևոր դեր է խաղում վառելիքի քանակի վերահսկման գործում: Ինչպես բարելավել մասերի որակը, դարձել է մտահոգիչ կարևոր խնդիր, բայց մասերի փոքր չափերի պատճառով հեշտ է սահմանափակվել մշակման տեխնոլոգիայով: Արտադրության գործընթացում այն ​​անխուսափելիորեն կթողնի քերծվածքներ, թերություն, ժանգոտված բծեր, սպիտակ բծեր և այլ տեսակի թերություններ, ինչը ազդում է ավտոմեքենայի ներարկիչի նստատեղի աշխատանքի վրա:

Հետևաբար, շատ մասերից թերի մասեր ընտրելը դարձել է անխուսափելի նախագիծ: Պատկերների տվյալների արագ աճով և ապարատային հաշվողական ունակության արագ առաջընթացով, խորը ուսուցման հայտնաբերման տեխնոլոգիան, որը ներկայացված է կոնվոլյուցիոն նեյրոնային ցանցով, կիրառվել է թերությունների հայտնաբերման հարակից առաջադրանքներում: Համեմատած ավանդական ալգորիթմի հետ, կատարումը զգալիորեն բարելավվել է: 2014 թվականին Ռոս Գիրշիկը [1] և մյուսները առաջարկեցին R-CNN ալգորիթմը՝ ընտրովի որոնման ալգորիթմի միջոցով թեկնածու շրջաններ հանելու համար, սակայն ալգորիթմը հաշվողականորեն ինտենսիվ է և դանդաղ։ Այնուհետև առաջարկվում է թիրախների հայտնաբերման SPP-Net ալգորիթմը, որը լուծում է օբյեկտի դեֆորմացման խնդիրը, իսկ այնուհետև առաջարկվում է Fast R-CNN՝ ներմուծելով բազմաբնույթ առաջադրանքների կորուստ և RoI Pooling, որն օգտագործում է բազմաբնույթ առաջադրանքների ուսուցում դասակարգումը և ռեգրեսիան ավարտելու համար:

Այնուամենայնիվ, ալգորիթմի կողմից ընդունված տարածաշրջանային մեթոդը դեռ շատ ժամանակ կխլի: Ուստի Ռենը [2] առաջարկեց ավելի արագ R-CNN ալգորիթմը։ Ալգորիթմը ներկայացնում է RPN ցանցը Fast R-CNN ալգորիթմի հիման վրա, որը մեծապես բարելավվել է արագությամբ և կատարողականությամբ: Faster R-CNN ալգորիթմը կարող է ավելի լավ արդյունքների հասնել օբյեկտների հայտնաբերման հարցում, քան մյուս ալգորիթմները: