精度

精度是指检测到的特征关闭 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）。或类中正确的百分比，换句话说，就是与标注关闭 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。特征或类相匹配的百分比。

精度表示正向预测的准确性。它计算工具正确预测正值的概率。精度计算方法是：真正值预测的数量除以真正值预测和假正值预测的总和。

  • 低精度得分的神经网络通常无法识别从测试数据检测到的特征，因此它返回许多假正值结果。
  • 高精度分数的神经网络通常能够成功地从给定的测试数据中正确识别出特征，但如果与低召回结合使用，则可能会出现许多假负值预测。

典型检测案例的理想统计结果包括高精度和高召回分数。

蓝色定位和蓝色读取的精度计算

对于蓝色定位和蓝色读取工具，精度是检测到的但不在训练关闭 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。集中的特征与匹配到的标注特征的百分比。例如，字符“A”的精度分数为 90% 意味着工具在给定测试数据的情况下有 90% 的机会正确识将“A”与所有其他字符特征区分开来。

标注的图像

精度结果

注意：

对于蓝色读取工具，使用模型关闭 特征集合的特定空间排列（仅限蓝色定位和蓝色读取工具。）在后处理步骤中，蓝色定位和蓝色读取工具可以将在图像中检测的所有特征与该工具定义的模型相拟合。然后返回模型的整体位姿和标识。可以帮助筛选掉虚假匹配。使用模型时，精度得分低可能问题不大。

无模型

使用模型

绿色分类的精度计算

对于绿色分类工具，精度为检测到且与已标注类相匹配的类的百分比。

工具计算的精度是预测为类 i 的正确分类视图关闭 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。的百分比：

例如，i 类的精度为 90% 表示神经网络在 10 次中有 1 次会将 i 类图像与其他类混淆。