红色分析的数据库概述

数据库概述窗格提供当前选定红色分析工具就上一次训练训练是您的工具（神经网络）根据您的标注学习特征（像素）的过程。例如，工具将根据您绘制的缺陷/正常标注，学习每个图像中的缺陷/正常像素。工具训练的目标是充分学习，能够对未见过的图像是否缺陷给出正确的检测结果。训练的关键是确保将所有可能的变化都包括在训练集中，并且图像被正确标注。训练时间因应用程序、工具设置以及用于训练网络的 PC 中的 GPU 而异。的统计详细信息。这些详细信息有助于评估工具在训练后的性能。在数据库概述中，您可以找到以下信息：

处理时间预估
整体缺陷概率得分图
混淆矩阵
有关召回、精度和 F-得分的详细信息（仅适用于遗留和标准类型的工具）

这些详细信息可以帮助您评估该工具在区分缺陷与非缺陷方面的能力，并对您的工具进行微调。

注意：使用遗留和标准类型工具时，您可以拥有多个缺陷类。数据库概述一次仅显示一个缺陷类的统计信息。您可以使用计数筛选条件在各类之间切换。数据库概述无法同时展示所有缺陷类的结果。

数据库概述窗格的组成

下图分解数据库概述窗格的主要部分和用户界面元素。您可以在表格的对应行中找到每个编号部分的概述。


数字	说明
1	这些按钮可在下方 (5) 部分显示的图表之间切换：单击得分以显示得分分布图。单击 ROC 接收器操作特征 (ROC) 是一种图形工具，能够对特定训练参数集合用于特定训练图像集时所表现的精度和召回之间的权衡进行可视化与分析。以显示受试者工作特征特征是图像上可进行视觉辨识的区域。特征通常代表对应用相关的内容（缺陷、对象、对象的特定部分）。曲线 (ROC) 图。
2	这里显示的处理时间是在上个处理任务中测量的每个视图图像的视图是图像中的像素区域。工具处理仅限于视图中的像素。您可以手动指定视图，也可以使用上游工具的结果生成视图。的平均处理时间。处理时间是处理时间和后处理时间的总和。
3	此部分显示您的图像数据库中图像的统计数据：数据库中图像的总数数据库中新图像的数量从图像创建的视图数已标注标注是用“真值”来注释图像的过程。根据您使用的工具，标注可以采用不同的形式。标注图像集有两个原因：提供训练工具所需的信息，并允许您根据真值衡量和验证受训练的工具的性能。视图的数量用于训练工具的视图数量
4	计数筛选条件允许您筛选工具返回的统计信息。您可以根据视图和区域进行筛选，或者如果您有多个缺陷类，可以使用右上角的下拉菜单根据类进行筛选。视图：返回每个视图的最高得分区域。未训练视图：返回每个未训练视图的最高得分区域。区域：返回区域在像素级别的总得分（这要求对区域已经进行了标注）。未训练区域：返回未训练区域在像素级别的总得分（这要求对区域已经进行了标注）。如果没有未受训练的视图，图表将为空白。如果没有标注区域，则适用以下规则：区域的计数筛选条件看上去与视图的相同。未训练区域的计数筛选条件看上去与未训练视图的相同。关于计数选项如何影响混淆矩阵中的值的更多信息，请参见计数选项和混淆矩阵。
5	得分分布图直观地展示了所分析的视图中缺陷的概率。图表列出了已标注和评分的所有图像，以及用于图表的阈值。图表的横向维度表示视图的总体得分。有关更多信息，请参阅得分分布图。图形的垂直维度表示统计中包含的视图或区域的数量。计数取决于您选择的计数筛选条件（见编号 4）。如果您选择不同的筛选条件，图表会改变。垂直虚线表示图表的阈值，与阈值处理参数相关联。阈值确定结果在被视为真负值结果（确实没有缺陷）或真正值结果（确实存在缺陷）之前必须达到的分数。每个缺陷类都有其独立的阈值，与其他类的阈值无关。要调整阈值，请单击并拖动图表上的虚线。降低阈值，使工具对其预测的缺陷不那么严格，生成更多的假正值。提高阈值，使工具对预测的缺陷更加严格，生成更多假负值。注意：调整此处的值会自动更新阈值参数设置。自动设置最佳阈值：打开工具参数窗格。启用阈值处理参数下的自动复选框。单击工具控件中的放大镜图标以重新处理工具。
5	受试者操作特征曲线 (ROC) 是一种图形工具，能够对特定训练参数集合使用特定训练图像集特定应用的图像集合。训练图像集是指通过运行时系统的光照、光学和机械特性以一致方式采集的，特定部件或工艺过程的图像集合。训练图像集包括体现图像外观变化的图像，并且在正常操作中会出现这些图像外观。时所表现的精度和召回之间的权衡进行可视化与分析。有关更多信息，请参阅受试者操作特征图形。
6	混淆矩阵是对真值真值指的是机器学习模型所要解决问题的实际性质，这一性质通过相关示例数据集得以体现。监督式机器学习模型在标注数据上进行训练，这些数据被视为模型识别模式的基础，从而能够预测新数据中的标注。与工具预测之间关系的直观表示。水平维度显示了该工具的预测。垂直维度显示您分配的实际标注，这些标注代表工具的真值。混淆矩阵的 F1 得分是精度和召回指标的结合。F1 得分是衡量分割分割是从图像中选择视图的过程。性能的综合性指标。注意：混淆矩阵仅显示一个缺陷类的结果，其他类视作良好。有关更多信息，请参阅红色分析的混淆矩阵。
7	区域面积指标返回有关当前训练工具的召回、精度和 F-得分的数据。注意：无监督类型红色分析工具在区域面积指标部分未提供额外详细信息。 IOU 交并比 (IOU) 显示工具预测与您的标注之间的匹配程度。较高的 IOU 百分比表示匹配程度更好。指的是交集与并集之比。IOU 百分比显示工具的预测与您的标注（即真值）的匹配程度。召回指的是工具在给定图像中找到缺陷的可能性。精度表示在存在实际缺陷时，工具找到该缺陷的可能性。 F-得分是召回和精度的平均值。注意：这些区域面积指标是用像素计算的，而混淆矩阵的 F1 得分是通过不同的方法计算的。有关工具如何解释这些指标的更多信息，请参阅区域面积指标。