Нов Common Rail вентил F00VC01362 за инјектор 0445110302 0445110303 за игла за инјектирање

Поради брзиот развој на општеството, автомобилите станаа сè поважна алатка за патување во секојдневниот живот. Како уред за вбризгување бензин во автомобилските цилиндри, седиштето на вентилот на автомобилските инјектори игра многу важна улога во контролата на количината на гориво. Како да се подобри квалитетот на деловите стана важно прашање за загриженост, но поради малата големина на делови, лесно е да се ограничи технологијата на обработка. За време на производниот процес, неизбежно ќе остави гребнатини, дефекти, дамки од 'рѓа, бели дамки и други видови дефекти внатре, што влијае на перформансите на автомобилското седиште за инјектори.

Затоа, изборот на неисправни делови од многу делови стана неизбежен проект. Со брзото зголемување на податоците за слики и брзиот напредок на способноста за хардверско пресметување, технологијата за откривање на длабоко учење, претставена со конволутивна невронска мрежа, е применета на поврзаните задачи за откривање на недостатоци. Во споредба со традиционалниот алгоритам, перформансите се значително подобрени. Во 2014 година, Рос Гиршик [1] ​​и други го предложија алгоритамот R-CNN за извлекување на регионите кандидати преку селективен алгоритам за пребарување, но алгоритмот е пресметковно интензивен и бавен. Последователно, се предлага алгоритмот за откривање цел SPP-Net, кој го решава проблемот на деформација на објектот, а потоа се предлага Fast R-CNN со воведување загуба на повеќе задачи и RoI Pooling, кој користи учење со повеќе задачи за да ја заврши класификацијата и регресијата.

Сепак, регионалниот метод усвоен од алгоритмот сепак ќе потроши многу време. Затоа, Рен [2] го предложи алгоритамот за побрз R-CNN. Алгоритмот ја воведува мрежата RPN врз основа на алгоритмот Fast R-CNN, кој е значително подобрен во брзината и перформансите. Алгоритмот Faster R-CNN може да постигне подобри резултати во откривањето на објекти од другите алгоритми.