New Common Rail Valve F00VC01362 kanggo Injector 0445110302 0445110303 kanggo Jarum Injeksi

Amarga perkembangan masyarakat sing cepet, mobil dadi alat perjalanan sing saya penting ing saben dinane. Minangka piranti kanggo nyuntikake bensin menyang silinder mobil, kursi katup injektor mobil nduweni peran penting ing kontrol jumlah bahan bakar. Carane nambah kualitas bagean wis dadi masalah penting, nanging amarga ukuran cilik saka bagean, iku gampang diwatesi dening teknologi Processing. Sajrone proses produksi, mesthi bakal ninggalake goresan, cacat, bintik karat, bintik putih lan jinis cacat liyane ing njero, sing mengaruhi kinerja kursi injektor otomotif.

Mulane, milih bagean sing rusak saka akeh bagean wis dadi proyek sing ora bisa dihindari. Kanthi nambah data gambar kanthi cepet lan kemampuan komputasi hardware kanthi cepet, teknologi deteksi pembelajaran jero, sing diwakili dening jaringan saraf convolutional, wis ditrapake kanggo tugas sing gegandhengan karo deteksi cacat. Dibandhingake karo algoritma tradisional, kinerja wis apik banget. Ing 2014, Ross Girshick [1] lan liya-liyane ngusulake algoritma R-CNN kanggo ngekstrak wilayah calon liwat algoritma telusuran sing selektif, nanging algoritma kasebut intensif sacara komputasi lan alon. Salajengipun, algoritma deteksi target SPP-Net diusulake, sing ngrampungake masalah deformasi obyek, banjur Fast R-CNN diusulake kanthi ngenalake mundhut multi-task lan RoI Pooling, sing nggunakake pembelajaran multi-tugas kanggo ngrampungake klasifikasi lan regresi.

Nanging, metode regional sing diadopsi dening algoritma isih bakal nggunakake akeh wektu. Mulane, Ren [2] ngusulake algoritma R-CNN luwih cepet. Algoritma kasebut ngenalake jaringan RPN kanthi basis algoritma Fast R-CNN, sing wis apik banget ing kacepetan lan kinerja. Algoritma R-CNN sing luwih cepet bisa entuk asil sing luwih apik ing deteksi obyek tinimbang algoritma liyane.