得分分布图

图表的横向维度表示视图 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。的总体得分。对于遗留和标准类型工具，以及无监督类型工具，整体得分的计算方式不同。

遗留和标准类型 红色分析

视图的总体得分是该视图中的缺陷的最大概率。在这种模式下，红色分析工具会返回一个概率图，表示对于输入图像中的每个像素位置是缺陷的概率。对缺陷概率进行归一化，以使像素为缺陷的概率加上像素为背景的概率之和为 1.0。

如果红色分析工具有多个缺陷类，则对概率进行归一化，以便每个经过训练 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。的类的概率与像素为背景的概率之和为 1.0。

无监督类型红色分析

视图的总体分数是该视图的最大偏差。在这种模式下，红色分析工具会返回一个偏差图，表示对于输入图像中的每个像素位置与期望值之间偏差的程度（基于用来训练的图像数据的集合）。

偏差的实际值没有单位，并且是已训练图像数据的特征 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）。的函数。由于每个输入图像都会生成唯一的偏差值，因此无法将偏差归一化到一个固定的范围。另外一种思考方式是，尽管缺陷像素的最大可能概率为 1.0，但像素没有最大可能偏差，因此没有用于归一化偏差的固定范围。