OEM نئی کامن ریل والو اسمبلی F00VC01329 0445110168 169 284 315 انجیکٹر کے لیے

فیچر فیوژن کی بنیاد پر آٹوموٹو انجیکٹر والو سیٹ کی خرابی کا پتہ لگانا(حصہ 3)

نتیجے کے طور پر، انجیکٹر والو سیٹ کا پتہ لگانے میں، تصویر کو کمپریس کرنے کی ضرورت ہے، اور تصویر کے سائز کو 800 × 600 تک پروسیس کیا جاتا ہے، متحد معیاری تصویری ڈیٹا حاصل کرنے کے بعد، ڈیٹا کی کمی سے بچنے کے لیے ڈیٹا بڑھانے کا طریقہ استعمال کیا جاتا ہے، اور ماڈل کو عام کرنے کی صلاحیت میں اضافہ کیا گیا ہے۔ ڈیٹا میں اضافہ گہری سیکھنے کے ماڈلز کی تربیت کا ایک اہم حصہ ہے [3]۔ عام طور پر ڈیٹا بڑھانے کے دو طریقے ہیں۔ ایک یہ ہے کہ نیٹ ورک ماڈل میں ڈیٹا پرٹربیشن لیئر کو شامل کیا جائے تاکہ تصویر کو ہر بار تربیت دی جا سکے، ایک اور طریقہ ہے جو زیادہ سیدھا اور آسان ہے، تصویری نمونوں کو تربیت سے پہلے امیج پروسیسنگ کے ذریعے بڑھایا جاتا ہے، ہم ڈیٹا سیٹ کو بڑھاتے ہیں۔ تصویر بڑھانے کے طریقے جیسے جیومیٹری اور کلر اسپیس، اور کلر اسپیس میں HSV استعمال کریں، جیسا کہ شکل 1 میں دکھایا گیا ہے۔

تیز تر R-CNN ڈیفیکٹ ڈیفیکشن ماڈل کی بہتری تیز تر R-CNN الگورتھم ماڈل میں، سب سے پہلے، آپ کو ان پٹ تصویر کی خصوصیات کو نکالنے کی ضرورت ہے، اور نکالی گئی آؤٹ پٹ خصوصیات حتمی پتہ لگانے کے اثر کو براہ راست متاثر کر سکتی ہیں۔ آبجیکٹ کا پتہ لگانے کا مرکز خصوصیت نکالنا ہے۔ تیز R-CNN الگورتھم ماڈل میں عام فیچر نکالنے کا نیٹ ورک VGG-16 نیٹ ورک ہے۔ یہ نیٹ ورک ماڈل سب سے پہلے تصویر کی درجہ بندی میں استعمال کیا گیا تھا [4]، اور پھر یہ سیمنٹک سیگمنٹیشن [5] اور سالینسی کا پتہ لگانے میں بہترین رہا ہے۔

فاسٹر R-CNN الگورتھم ماڈل میں فیچر نکالنے کا نیٹ ورک VGG-16 پر سیٹ کیا گیا ہے، اگرچہ الگورتھم ماڈل کا پتہ لگانے میں اچھی کارکردگی ہے، لیکن یہ تصویر کی خصوصیت نکالنے میں صرف آخری پرت سے فیچر میپ آؤٹ پٹ کا استعمال کرتا ہے، اس لیے وہاں ہوگا کچھ نقصانات اور خصوصیت کا نقشہ مکمل طور پر مکمل نہیں کیا جا سکتا، جو چھوٹے ہدف کی اشیاء کی کھوج میں غلطی کا باعث بنے گا اور حتمی شناختی اثر کو متاثر کرے گا۔