Red-Analyze-Werkzeug – Supervised-Modus

Im Supervised-Modus lernt das Red-Analyze-Werkzeug das Aussehen von Fehlern. Während des Trainings werden nur Bilder betrachtet, die gelabelt sind. Bilder mit gelabelten Fehlerbereichen werden eingelernt, damit die Fehler erkannt werden. Außerdem lernt das Werkzeug die Teile der gelabelten Bilder, die keine Fehlerbereiche enthalten. Allgemein wird beim Training eines Red-Analyze-Werkzeugs im Supervised-Modus das Werkzeug so trainiert, dass es Fehler erkennt und darauf reagiert. Beachten Sie beim Labeln von Bildern, dass alle Fehler im Bild gelabelt werden müssen, wenn ein Bild als „Enthält Fehler“ gelabelt ist.

Wenn im Supervised-Modus ein Bild als Gültig gelabelt wird (d. h. es enthält keine Fehlerbereiche), verwendet das Werkzeug dieses Bild auch zum Training. Insbesondere versucht das Werkzeug, das Netz so zu trainieren, dass Bilder, die als Gültig gelabelt wurden, nicht zur Antwort „Fehler“ führen. Wenn Sie gelabelte, fehlerfreie gültige Bilder zum Lerndatensatz hinzufügen, kann die Leistung des Werkzeugs bei der Klassifizierung von guten und schlechten Bildern validiert werden.

Bei der Auswahl von Bildern sollten Sie sicherstellen, dass im Bildlerndatensatz alle Fehler vorhanden sind, die in der Laufzeit erwartet werden, sowie fehlerfreie Bilder. Wenn Sie dem Werkzeug nicht beibringen, wie ein bestimmter Fehler aussieht, findet das Werkzeug diese Fehler nicht. Wenn Sie dem Werkzeug zum Beispiel nur beibringen, wie Flecken aussehen, findet das Werkzeug keine Kratzer.

Im Supervised-Modus wird das Werkzeug folgendermaßen eingelernt (trainiert):

  1. Stellen Sie Bilder zusammen, die das gesamte Spektrum von Fehlern, die auftreten können, enthalten.

  2. Gehen Sie die einzelnen Bilder im Bildlerndatensatz durch und labeln Sie die Fehler sorgfältig.

    Fehler Label

  3. Fügen Sie einige gute Bilder hinzu und labeln Sie sie als Gültig.
  4. Lernen Sie das Werkzeug ein.

  5. Validieren Sie das Werkzeug, indem Sie ihm Bilder mit Fehlern und ohne Fehler vorlegen, die nicht während des Trainings verwendet wurden.

    Fehlermarkierung