Common Rail balbula berria F00VC01362 injektorerako 0445110302 0445110303 injekzio orratzetarako

Gizartearen garapen azkarra dela eta, automobilak eguneroko bizitzan bidaiatzeko tresna gero eta garrantzitsuagoa bihurtu da. Automobil-zilindroetan gasolina injektatzeko gailu gisa, automobil-injektoreen balbula-eserlekuak oso paper garrantzitsua betetzen du erregai kantitatearen kontrolean. Piezen kalitatea nola hobetu kezka garrantzitsu bat bihurtu da, baina piezen tamaina txikia denez, erraza da prozesatzeko teknologiak mugatzea. Ekoizpen-prozesuan zehar, ezinbestean marradurak, akatsak, herdoil-orbanak, orban zuriak eta beste akats mota batzuk utziko ditu barruan, eta horrek automobilgintzako injektorearen eserlekuaren errendimenduari eragiten dio.

Hori dela eta, zati askotatik akastunak hautatzea proiektu saihestezina bihurtu da. Irudien datuen hazkunde azkarrarekin eta hardwarearen konputazio gaitasunaren aurrerapen azkarrarekin, ikaskuntza sakona detektatzeko teknologia, sare neuronal konboluzionalak adierazten duena, akatsak hautemateko zereginetan aplikatu da. Algoritmo tradizionalarekin alderatuta, errendimendua asko hobetu da. 2014an, Ross Girshick-ek [1] eta beste batzuek R-CNN algoritmoa proposatu zuten eskualde hautagaiak ateratzeko bilaketa-algoritmo selektibo baten bidez, baina algoritmoa konputazio intentsiboa eta motela da. Ondoren, helburua detektatzeko SPP-Net algoritmoa proposatzen da, objektuen deformazioaren arazoa konpontzen duena, eta, ondoren, Fast R-CNN proposatzen da ataza anitzeko galera eta RoI Pooling sartuz, zeregin anitzeko ikaskuntza erabiltzen duena sailkapena eta erregresioa osatzeko.

Hala ere, algoritmoak hartutako eskualdeko metodoak denbora asko kontsumituko du oraindik. Horregatik, Ren [2] Faster R-CNN algoritmoa proposatu zuen. Algoritmoak RPN sarea sartzen du Fast R-CNN algoritmoan oinarrituta, abiaduran eta errendimenduan asko hobetu dena. Faster R-CNN algoritmoak objektuak detektatzeko beste algoritmo batzuek baino emaitza hobeak lor ditzake.