Injector အတွက် 0445110302 0445110303 အတွက် Common Rail Valve F00VC01362

လူ့အဖွဲ့အစည်း၏ အရှိန်အဟုန်ဖြင့် ဖွံ့ဖြိုးတိုးတက်လာမှုကြောင့် မော်တော်ကားများသည် နေ့စဉ်လူနေမှုဘဝတွင် ပိုမိုအရေးကြီးသော ခရီးသွားကိရိယာတစ်ခု ဖြစ်လာခဲ့သည်။ မော်တော်ကားဆလင်ဒါများထဲသို့ ဓာတ်ဆီထိုးသွင်းသည့်ကိရိယာတစ်ခုအနေဖြင့် မော်တော်ကားအင်ဂျယ်စက်များ၏ အဆို့ရှင်ထိုင်ခုံသည် လောင်စာဆီပမာဏကို ထိန်းချုပ်ရာတွင် အလွန်အရေးကြီးသောအခန်းကဏ္ဍမှ ပါဝင်ပါသည်။ အစိတ်အပိုင်းများ၏ အရည်အသွေးကို မြှင့်တင်နည်းသည် အလေးထားရမည့် ပြဿနာတစ်ရပ်ဖြစ်လာသော်လည်း အစိတ်အပိုင်းများ၏ အရွယ်အစားသေးငယ်သောကြောင့်၊ ပြုပြင်ထုတ်လုပ်သည့်နည်းပညာဖြင့် ကန့်သတ်ရန် လွယ်ကူသည်။ ထုတ်လုပ်မှုလုပ်ငန်းစဉ်အတွင်း၊ ခြစ်ရာများ၊ ချို့ယွင်းချက်များ၊ သံချေးအစက်အပြောက်များ၊ အဖြူရောင်အစက်အပြောက်များနှင့် အခြားသော ချို့ယွင်းချက်အမျိုးအစားများကို မလွဲမသွေ ချန်ထားခဲ့မည်ဖြစ်ပြီး၊ ၎င်းသည် မော်တော်ကား injector ထိုင်ခုံ၏ စွမ်းဆောင်ရည်ကို ထိခိုက်စေပါသည်။

ထို့ကြောင့် အစိတ်အပိုင်းများစွာမှ ချို့ယွင်းနေသော အစိတ်အပိုင်းများကို ကောက်ယူခြင်းသည် ရှောင်လွှဲ၍မရသော ပရောဂျက်တစ်ခု ဖြစ်လာသည်။ ရုပ်ပုံဒေတာများ လျင်မြန်စွာတိုးမြင့်လာခြင်းနှင့် ဟာ့ဒ်ဝဲကွန်ပြူတာစွမ်းရည်၏ လျင်မြန်စွာတိုးတက်မှုနှင့်အတူ၊ convolutional neural network မှကိုယ်စားပြုသော နက်နဲသောသင်ယူမှုထောက်လှမ်းခြင်းနည်းပညာကို ချို့ယွင်းချက်ရှာဖွေခြင်း၏ဆက်စပ်လုပ်ငန်းတာဝန်များတွင် အသုံးချခဲ့သည်။ သမားရိုးကျ အယ်လဂိုရီသမ်နှင့် နှိုင်းယှဉ်ပါက စွမ်းဆောင်ရည်မှာ များစွာ တိုးတက်လာခဲ့သည်။ 2014 ခုနှစ်တွင် Ross Girshick [1] နှင့် အခြားသူများမှ ရွေးချယ်ထားသော ရှာဖွေမှု အယ်လဂိုရီသမ်ဖြင့် ကိုယ်စားလှယ်လောင်းများ၏ ဒေသများကို ထုတ်ယူရန် R-CNN အယ်လဂိုရီသမ်ကို အဆိုပြုခဲ့သော်လည်း အယ်လဂိုရီသမ်သည် တွက်ချက်မှုအရ အလွန်နှေးကွေးပါသည်။ နောက်ပိုင်းတွင်၊ အရာဝတ္ထုပုံသဏ္ဍာန်ပြဿနာကိုဖြေရှင်းပေးသည့် ပစ်မှတ်ထောက်လှမ်းခြင်းဆိုင်ရာ အယ်လဂိုရီသမ် SPP-Net ကို အဆိုပြုထားပြီး၊ ထို့နောက် အမျိုးအစားခွဲခြင်းနှင့် ဆုတ်ယုတ်ခြင်းတို့ကို ပြီးမြောက်ရန် Multi-task loss နှင့် RoI Pooling ကို မိတ်ဆက်ခြင်းဖြင့် Fast R-CNN ကို အဆိုပြုပါသည်။

သို့သော်၊ algorithm မှချမှတ်ထားသောဒေသဆိုင်ရာနည်းလမ်းသည်အချိန်များစွာကိုသုံးစွဲနေဆဲဖြစ်သည်။ ထို့ကြောင့် Ren [2] သည် ပိုမိုမြန်ဆန်သော R-CNN algorithm ကိုအဆိုပြုခဲ့သည်။ အယ်လဂိုရီသမ်သည် မြန်ဆန်သော R-CNN အယ်လဂိုရီသမ်ကို အခြေခံ၍ RPN ကွန်ရက်ကို မိတ်ဆက်ပေးသည်၊၊ ပိုမြန်သော R-CNN algorithm သည် အခြား algorithms များထက် အရာဝတ္ထုကို ထောက်လှမ်းရာတွင် ပိုမိုကောင်းမွန်သော ရလဒ်များကို ရရှိနိုင်သည်။