神经网络训练

按以下一般方式进行神经网络训练：

  1. 对于图像集中将用于训练的每个图像（在训练集对话框中定义），将使用指定的特征尺寸对整个范围进行采样。
  2. 得到的样本提供给 VisionPro Deep Learning 深度神经网络，作为输入数据。
  3. 对于每个样本，神经网络产生特定的响应（取决于工具类型），并且将该响应与与训练图像中的样本位置相关联的图像标注进行比较。
  4. 在处理和重新处理样本时，网络内的内部权重会经历反复调整。网络训练系统不断调整网络权重，其目的是减少网络响应与用户提供的标注之间的误差（差异）。
  5. 整个过程重复多次，直到每个训练图像的每个样本都至少被包括了时期计数参数指定的次数。

1

采样区域。

2

用户绘制的已标注缺陷区域。

3

神经网络。

4

网络的反应。

5

调整权重以减少标注缺陷（黄色）和网络响应（蓝色）之间的差异（即误差）的迭代过程。

神经网络训练的具体特征在某种程度上取决于所训练的工具的类型。

  • 蓝色定位工具网络训练

    蓝色定位工具网络在训练后可定位和识别图像中的特征。您执行蓝色工具标注操作可识别图像中所有关注特征的位置和标识。对于图像内的给定采样区域，训练的目标是网络正确返回位于采样区域内的任何特征的姿势。如果采样区域不包含任何特征，则网络不应对样本产生响应。

    蓝色定位工具网络训练的目标是减少实际特征姿势和标识（如图像标注所定义）与检测到的姿势和标识之间的差异。

  • 蓝色读取工具网络训练

    蓝色读取工具使用与蓝色定位工具类似的方法，但较少注意姿势不匹配。

  • 红色分析工具（监督模式）网络训练

    红色分析工具（在红色监督模式下）网络在训练后可定位和识别图像内的缺陷区域。您在监督模式下为红色分析工具执行的标注操作会标注已标注图像中的所有缺陷像素。对于图像内的给定采样区域，训练的目标是网络正确地将缺陷像素识别为缺陷。若采样区域不包括任何缺陷像素，则网络不应产生响应。

    在监督模式下对红色分析工具进行网络训练的目的是，减少缺陷标注和检测到的缺陷之间的空间差异。

  • 红色分析工具（无监督模式）网络训练

    红色分析工具（在无监督模式下）网络在训练后可定位图像内的缺陷区域。在无监督模式下为红色分析工具设置的训练图像是一个已知无缺陷图像的集合。训练的目标很简单——生成一个不会对训练图像集中的任何样本产生任何响应的网络。

  • 绿色分类工具网络训练

    绿色分类工具在 Deep Learning 工具中非常特殊，因为它为整个输入图像生成一个结果。有高细节模式和聚焦模式。该工具仍然以与其他工具相同的方式收集图像样本，但是会在处理期间合并样本并对整个图像产生单个结果。

    绿色分类工具网络训练的目标是减少标注类和检测类之间的不匹配数量。

  • 控制网络训练

    您可以用来影响网络训练阶段的最大单一决定因素是训练图像集。所有工具的默认行为是随机选择图像集中 50% 的图像进行训练。