Falf Rheilffordd Gyffredin Newydd F00VC01362 ar gyfer Chwistrellwr 0445110302 0445110303 ar gyfer Nodwyddau Chwistrellu

Oherwydd datblygiad cyflym cymdeithas, mae automobiles wedi dod yn offeryn teithio cynyddol bwysig ym mywyd beunyddiol. Fel dyfais ar gyfer chwistrellu gasoline i silindrau ceir, mae sedd falf chwistrellwyr ceir yn chwarae rhan bwysig iawn wrth reoli maint tanwydd. Mae sut i wella ansawdd y rhannau wedi dod yn fater pwysig o bryder, ond oherwydd maint bach y rhannau, mae'n hawdd cael ei gyfyngu gan y dechnoleg prosesu. Yn ystod y broses gynhyrchu, mae'n anochel y bydd yn gadael crafiadau, diffyg, smotiau rhwd, smotiau gwyn a mathau eraill o ddiffygion y tu mewn, sy'n effeithio ar berfformiad sedd y chwistrellwr modurol.

Felly, mae dewis rhannau diffygiol o lawer o rannau wedi dod yn brosiect anochel. Gyda chynnydd cyflym data delwedd a chynnydd cyflym gallu cyfrifiadurol caledwedd, mae'r dechnoleg canfod dysgu dwfn, a gynrychiolir gan rwydwaith niwral convolutional, wedi'i gymhwyso i dasgau cysylltiedig canfod diffygion. O'i gymharu â'r algorithm traddodiadol, mae'r perfformiad wedi gwella'n fawr. Yn 2014, cynigiodd Ross Girshick [1] ac eraill yr algorithm R-CNN i echdynnu rhanbarthau ymgeiswyr trwy algorithm chwilio dethol, ond mae'r algorithm yn gyfrifiadurol ddwys ac yn araf. Yn dilyn hynny, cynigir yr algorithm canfod targed SPP-Net, sy'n datrys problem dadffurfiad gwrthrych, ac yna cynigir Fast R-CNN trwy gyflwyno colled aml-dasg a RoI Pooling, sy'n defnyddio dysgu aml-dasg i gwblhau dosbarthiad ac atchweliad.

Fodd bynnag, bydd y dull rhanbarthol a fabwysiadwyd gan yr algorithm yn dal i dreulio llawer o amser. Felly, cynigiodd Ren [2] yr algorithm R-CNN Cyflymach. Mae'r algorithm yn cyflwyno'r rhwydwaith RPN ar sail yr algorithm Fast R-CNN, sydd wedi'i wella'n fawr o ran cyflymder a pherfformiad. Gall yr algorithm R-CNN Cyflymach gyflawni canlyniadau gwell o ran canfod gwrthrychau nag algorithmau eraill.