نوی عام ریل والو F00VC01362 د انجیکټر لپاره 0445110302 0445110303 د انجیکشن ستنې لپاره

د ټولنې د ګړندي پرمختګ له امله ، موټر په ورځني ژوند کې د سفر مهم وسیله ګرځیدلې. د موټرو په سلنډرونو کې د پطرول انجیکشن لپاره د یوې وسیلې په توګه ، د موټرو انجیکټر والو سیټ د تیلو مقدار کنټرول کې خورا مهم رول لوبوي. د برخو کیفیت ښه کولو څرنګوالی د اندیښنې یوه مهمه مسله ګرځیدلې ، مګر د برخو کوچنۍ اندازې له امله ، د پروسس ټیکنالوژۍ لخوا محدودیت اسانه دی. د تولید پروسې په جریان کې ، دا به په لازمي ډول دننه سکریچونه ، عیبونه ، زنګ ځایونه ، سپینې ټوټې او نور ډوله نیمګړتیاوې پریږدي ، کوم چې د اتومات انجیکټر سیټ فعالیت اغیزه کوي.

له همدې امله، د ډیری برخو څخه د نیمګړتیاوو راټولول یو ناگزیر پروژه ګرځیدلی. د عکس ډیټا ګړندۍ زیاتوالي او د هارډویر کمپیوټري وړتیا ګړندي پرمختګ سره ، د ژورې زده کړې کشف ټیکنالوژي ، چې د قانع کونکي عصبي شبکې لخوا نمایش کیږي ، د نیمګړتیا کشف اړوندو دندو لپاره پلي شوي. د دودیز الګوریتم په پرتله، فعالیت خورا ښه شوی. په 2014 کې، راس ګیرشیک [1] او نورو د R-CNN الګوریتم وړاندیز وکړ چې د انتخابي لټون الګوریتم له لارې د نوماندانو سیمې استخراج کړي، مګر الګوریتم د کمپیوټري پلوه خورا سخت او ورو دی. وروسته، د هدف کشف الګوریتم SPP-Net وړاندیز شوی، کوم چې د شیانو د خرابیدو ستونزه حل کوي، او بیا د فاسټ R-CNN د ملټي ټاسک ضایع او RoI پولینګ معرفي کولو سره وړاندیز شوی، کوم چې د ډلبندۍ او ریګریشن بشپړولو لپاره څو کاري زده کړې کاروي.

په هرصورت، د الګوریتم لخوا منل شوی سیمه ایز میتود به لاهم ډیر وخت مصرف کړي. له همدې امله، رین [2] د چټک R-CNN الګوریتم وړاندیز وکړ. الګوریتم د RPN شبکه د فاسټ R-CNN الګوریتم پر بنسټ معرفي کوي، کوم چې په سرعت او فعالیت کې خورا ښه شوی. ګړندی R-CNN الګوریتم کولی شي د نورو الګوریتمونو په پرتله د اعتراض کشف کې غوره پایلې ترلاسه کړي.