分数和 ROC 曲线
红色分析的结果是通过分数和 ROC 曲线测量的。
得分
对于红色分析聚焦监督,视图的总体得分是该视图中的最大缺陷概率。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,该像素表示缺陷的概率。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。
分数图表列出了已标注和评分的所有图像,以及图表的两个阈值(T1,T2)。第一个阈值确定真阴性(真正缺少缺陷)在不确定其值之前可以具有的最大值。第二个阈值确定结果在被视为真阳性(真正包含缺陷)之前必须具有的最小值。二者之间的值根据其标签被视为假阳性或假阴性,并将被分配到混淆矩阵的中间列。
同时使用 T1 和 T2 阈值可以创建一个中间(或边际)类。如果遇到这种情况,则可以设置一个过程来标记中间的任意图像以供检查人员查看,或者保存这些图像以便将来进行重新训练(离线时)。作为另一种故障保护,该类别中的图像可能被拒绝并发送到返修箱。
两个阈值(T1 和 T2,在下图中,T1 = 0.37,T2 = 0.51)在图表上是交互的,并且可以调整。以交互方式调整这些值也会自动更新阈值参数设定。
-
在此处设置阈值可使工具对其预测的缺陷“较少挑剔”,从而生成更多假阳性。
-
在此处设置阈值可使工具对其预期的缺陷“更加挑剔”,从而生成更多假阴性。
分数计数筛选工具
得分计数筛选条件允许您筛选工具返回的统计信息。
- 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(这要求已对区域进行了标注)。
- 未训练区域:返回未训练区域在像素级别的总得分(这要求已对区域进行了标注)。
如果没有未经训练的视图,则直方图将为空白。
如果没有标注区域,则符合以下情况:
- 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。
受试者操作特征 (ROC) 曲线
在给定特定阈值的情况下,受试者操作特征 (ROC) 曲线测量灵敏度和特异性的比值。
- 灵敏度是检测阳性结果(有缺陷)的能力。
- 特异性是检测阴性结果(无缺陷)的能力。
这是通过评估两个阈值之间的结果来执行的。
曲线下面积 (AUC)
本主题提供有关如何对曲线下面积 (AUC) 进行统计解释的信息。AUC 确定获得结果的程度。通常,对于 AUC,1 是完美的结果;高于 .8 的结果都是良好结果(一般来说);.5 则是完全随机的。
AUC 独立于任何阈值,并且仅基于分数的排名提供统计测试,而不对分数分布进行假设。AUC 是对分类器分类能力的有力测量。
AUC:
- 0.5 为随机分类器
- 1 是指完美区分的分类器
- 不是百分比
- 独立于任何阈值