EasySegment - 检测和分割缺陷

EasySegment 是 Open eVision的深度学习细分库。它包含无监督分割工具（EUnsupervisedSegmenter 类）。

Deep Learning Studio

要在 Deep Learning Studio中创建无监督分割工具：

开始 Deep Learning Studio。

选择无监督分割器（在新建深度学习工具对话框中）。

以下对话框显示在 Deep Learning Studio 的开头或从工具栏创建新的深度学习工具时。

配置

无监督分割器工具有5个参数：

神经网络容量（默认：正常）代表它能够学习的信息量。容量越大，工具速度越慢。

在API中：

□

容量由枚举类型 EUnsupervisedSegmenterCapacity表示。

□

EUnsupevisedSegmenter::Capacity 设置工具的容量。

图像类型（默认：单色（1 通道）)：

在API中：

□

要使用单色（灰度，1通道）图像，将 EUnsupervisedSegmenter::ForceGrayscale 设置为 true。

□

要使用彩色（3个通道）图像，将 EUnsupervisedSegmenter::ForceGrayscale 设置为 false。

使用缩放（EUnsupervisedSegmenter::Scale）将图像自动调整为较低分辨率并加快处理速度。

采样密度（EUnsupervisedSegmenter::SamplingDensity）是滑动窗口算法的参数，用于使用大小为（EUnsupervisedSegmenter::PatchSize）的面片处理整个图像。

□

它表明图像面片之间有多少重叠 (100-100/SamplingDensity %).

□

实际上，两个连续面片之间的步幅 PatchSize/SampleDensity 像素。

好标签是包含好图像的类的名称。

训练工具

在API中，要训练无监督的分割器，请调用 EDeepLearningTool::Train(trainingDataset, validationDataset, numberOfIterations) 方法。

●

迭代相当于在10 000个图像面片上进行训练，并计算每个训练和验证图像的结果。

□

训练过程需要大量的迭代重复，才能获得良好的结果。

□

迭代次数默认为50。

□

迭代次数越高，训练时间越长，获得的结果越好。

使用相同的训练方法和验证数据集，多次调用 EDeepLearningTool::Train ，相当于调用它一次，但迭代次数更高。
调用 EDeepLearningTool::GetNumTrainedIterations 以获取用于训练分类器的迭代总数。

●

训练过程保持异步模式：

□

EDeepLearningTool::Train 启动了一个在后台进行训练的新线程。

□

EDeepLearningTool::WaitForTrainingCompletion 可暂停程序，直到完成整个训练。

□

EDeepLearningTool::WaitForIterationCompletion 可暂停程序，直到完成当前迭代。

□

在训练期间，调用 EDeepLearningTool::GetCurrentTrainingProgression 来显示训练进展。

●

批量大小对应于一起处理的图像面片数量。

□

训练受批量大小的影响。

□

大批量可增加GPU上单次迭代的处理速度，但需要更多内存。

□

太小的批量大小，使训练过程无法学到好的模式。

□

在默认情况下，批量大小在训练期间可自动确定，以针对可用内存优化培训速度。

- 使用 EDeepLearningTool::SetOptimizeBatchSize(false) 禁用此行为。

- 使用 EDeepLearningTool::SetBatchSize来更改批量的大小。

□

EDeepLearningTool::GetBatchSizeForMaximumInferenceSpeed 获取批处理大小，以使GPU上的（批）分类速度（针对可用内存）最大化。

□

出于性能原因，通常选择2的幂作为批大小。

验证结果

无监督分割工具有两种度量：

□

无监督度量只在好图像上使用工具的结果。只有一个无监督的度量：错误。

□

Supervised metrics require both good and defective images. 有监督的度量包括AUC（ROC曲线下面积）、ROC曲线、准确度、良好检测率（也称为真阴性率）、缺陷检测率（也称为真阳性率）。

无监督分割工具计算每个图像的分数（请参阅 EUnsupervisedSegmenterResult::ClassificationScore）。结果的标签是通过使用分段器分类阈值（EUnsupervisedSegmenter::ClassificationThreshold）对该分数进行阈值化来获得的。因此，有监督的度量也取决于该分类阈值的值。

The ROC curve (Receiver Operating Characteristic) is the plot of the defect detection rate (the true positive rate) against the rate of good images classified as defective (also called the false positive rate). 它是通过改变分类阈值获得的。ROC曲线显示了良好检测率和缺陷检测率之间的可能权衡。

ROC曲线下的区域（AUC）独立于所选择的分类阈值，并代表工具的总体性能。其值介于0（不良性能）和1（完美性能）之间。

在Deep Learning Studio中:

●

在训练选项卡中，在验证数据集上（在训练期间）计算度量值最佳验证错误和最佳验证精度，而不使用数据扩张。为每次迭代绘制验证误差、训练误差和验证AUC。