特征采样

在训练关闭 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。期间，蓝色定位、蓝色读取和遗留模式工具可以使用特种技术，以更高的速率对确定为更有可能对网络提供附加信息的图像部分进行采样。虽然图像采样覆盖了整个图像范围，但遗留模式工具对输入图像的采样方式并不相同。

由于要使用采样区内的信息和采样区周围提供的背景信息进行训练，在图像边缘收集的样本会严重影响工具。如果您使用图像中的视图关闭 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。，在视图边缘收集的样本背景信息会使用视图外部的像素作为背景数据。

1

特征尺寸关闭 您认为对分析图像内容最重要的图像特征的主观大小。该特征尺寸确定用于采样的图像区域的大小。仅适用于蓝色定位、蓝色读取和遗留类型的工具。

2

样本区域

3

背景区域

如果样本位于图像本身的边缘，则该工具会生成合成像素作为背景信息使用。可以通过使用掩膜、边框和样本颜色通道来控制用于此目的的特定方法（分别通过边框类型和颜色参数）。

通过实用掩膜，即使掩膜区域也被视为背景，但依然可以明确地从训练中排除部分图像，具体取决于掩膜模式参数设置。

最后，如果您使用彩色图像（或具有多个平面或通道的任何图像），您可以指定采样的通道。使用多通道对训练和处理时间的影响很小，但对于颜色可提供重要信息的情况，使用多通道可提高工具的精确度。

注意： 可以将掩膜模式参数用作处理图像边界的替代方法。将图像边框掩膜后，可以防止工具收集需要为背景信息生成合成像素的图像样本。

运行时特征采样

在运行时对每个输入图像进行穷举采样，然后由训练的网络处理各个样本。运行时还使用与训练时所用相同大小的特征关闭 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）。（确保训练网络正在处理的输入与训练使用的输入保持一致）。

与训练时自动确定采样密度关闭 采样点在图像上样本之间的移动量，并用特征尺寸表示。如果特征尺寸为 100 且采样密度为 1，则采样位置在采样之间前进 100 像素。采样密度为 4 时，采样位置在样本之间推进 25 个像素。不同，您可以控制所有 Deep Learning 工具的采样密度。采样密度决定相邻样本之间的重叠程度。采样密度为 1 意味着采样位置增加了采样之间的特征尺寸。大多数工具的默认采样密度为 3，即采样位置增加特征尺寸的三分之一。

采样密度= 1（4 个样本） 采样密度= 3（4 个样本）

注意： 如果启用了掩膜模式参数，则样本数量将按被掩膜像素的比例减少。
注意：

当图像尺寸、特征尺寸和采样密度设置的组合超出限制时，可能会显示以下错误消息：

“无法处理数据库样本‘image_file.name’（超出了最大样本数，请减小采样密度、视图尺寸和/或特征尺寸）”。

在这种情况下，请考虑使用以下选项来减少要处理的像素数量：使用掩膜、将 ROI关闭 感兴趣区域 (ROI) 界定了工具的操作面积。ROI 保留了原始图像的位置、角度、拉伸和倾斜。 聚焦于特定区域，或使用较大的特征尺寸设置。