假阳性和假阴性结果

除了统计结果组件，了解它们如何影响假阳性和假阴性结果也很重要。

假设有一个用于捕获图像中缺陷的图像检测系统。如果它捕获了图像中的一个或多个缺陷，则该图像的检查结果为正，如果它根本没有捕获任何缺陷，则该图像的检查结果为负。那么，检验任务的统计结果可以归纳为以下几点：

假正值（也称为 I 类错误）
- 红色分析：检查系统识别出有缺陷的视图或像素，但该视图或像素实际上并不存在缺陷。
- 绿色分类：检查系统识别图像的类，但该图像实际上并不属于该类。
- 蓝色定位/读取：检测系统识别特征的类，但该特征实际上并不属于该类。
假负值（也称为 II 类错误）
- 红色分析：检查系统无法识别有缺陷的视图或像素，但该视图或像素应该已被识别为有缺陷。
- 绿色分类：检查系统无法识别图像的类，但该图像应该已被识别为属于该类。
- 蓝色定位/读取：检测系统无法识别特征的类，但该特征应该已被识别为属于该类。

然后，使用以下指标对假正值和假负值再次进行汇总并表示：精度和召回、所有VisionPro Deep Learning工具中使用的统计结果。请参见统计结果以获取精度和召回的定义。

精度
- 低精度的神经网络通常无法从给定的图像数据（测试数据）中正确抓取本应检测到的缺陷，因此它会返回许多假正值判断（1 类错误）。
- 高精度的神经网络通常能够成功地从给定的图像数据（测试数据）中正确抓取缺陷，但如果与低召回结合使用，则可能会出现许多假负值判断（2 类错误）
召回
- 低召回的神经网络通常无法从给定的图像数据（测试数据）中充分抓取本应检测到的缺陷，因此它会返回许多假负值判断（2 类错误）。
- 高召回的神经网络通常能够成功地从给定的图像数据（测试数据）中充分抓取缺陷，但如果与低精度结合使用，则可能会出现许多假负值判断（1 类错误）

综上所述，几乎所有检查案例（可能有例外）的理想统计结果同时包括高精度和高召回 。