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

对于红色分析高细节，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。

 

 

1. 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。

2. 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