理解这 5 个关键深度学习分类指标,让应用更加成功


产品质量是大部分公司的生命线。持久的保障可换来客户的信任、积极的口碑、更少的昂贵召回,以及最终获得更好的商业结果。在工厂或生产线上,让机器视觉系统贯穿生产的每一个步骤,是保证优质产品的最佳投资之一。具体来说,深度学习工具,如分类器,可帮助制造商识别生产线上的潜在质量控制问题,以限制成品的整体缺陷。

分类器是一个重要的检测工具,因为对于生产线来说,仅仅识别缺陷或损坏的零件并将其撤出生产是不够的。这些缺陷还必须进行分类,以便检测系统能够识别模式,确定缺陷是挂擦还是凹痕等。正确地分类这些产品可以避免不合格产品进入市场,而预测错误则会使合格产品无法上架,使生产陷入困境并增加成本。

工业 4.0 的世界里,大数据是流程和质量控制的关键,能根据这些数据得出正确的指标的企业可以了解他们的深度学习分类检测是否处于最佳状态。分类应用依靠四个主要结果来生成此数据:

  • 真正:真值为正,预测的分类也是正
  • 假正:真值为负,预测的分类是正
  • 真负:真值为负,预测的分类是负
  • 假负:真值为正,预测的分类是负

真值就是实际检测结果,例如识别汽车保险杠上的凹陷。开发人员和工程师们希望磨练他们的深度学习应用,使其能正确地预测和分类缺陷,例如与实际零件上的真值缺陷一致。

要评估分类应用是否成功,企业可以使用很多指标,但我们先来看其中的五个。

准确率和错误率

在制造业的深度学习应用中,最常用的指标是分类准确率,因为它很简单,能用一个数字有效地传达基本信息。错误率是准确率的有用补充。

这些是最基础的指标,因为它们代表了深度学习应用的基本有效性。

在深度学习检测中评估准确率的公式

准确率的评估相对简单:正确预测除以预测总数。错误率是错误预测除以预测总数。

需要注意的是,对于分类应用来说,正确的预测中包含所有真正和真负结果。

漏杀率

在深度学习检测中评估漏杀率的公式

分类应用错误地将有缺陷的零件预测为合格零件时,就称为“漏杀”。让损坏或有缺陷的产品“逃逸”到市场会影响公司的产品质量声誉。而且,召回这些逃逸的产品也可能要损失几百万美元成本。

漏杀率的评估方式是假负次数除以预测总数。

过杀率

在深度学习检测中评估过杀率的公式

分类应用产生假正预测时即称为过杀,表示从生产线上错误地撤下了无缺陷的合格产品或零件。从生产线上撤下的无缺陷零件可能最终会成为废品或进行手动返工。无论哪种结果,都会在零件和人工方面消耗制造商的额外成本。

过杀率的评估方式是假正次数除以预测总数。

精度

在深度学习中评估精度的公式

精度表示的是正预测中有多少比例是正确的。也就是说,分类应用是否在未造成假正的情况下预测了正确的分类?

值 1 表示分类模型能非常好地预测正确的分类,而且过杀率为 0%。值 0 表示此模型无法完成其任务。

F1 分数

在深度学习检测中评估 F1 分数的公式

F1 分数定义为精度和召回率的调和平均数。它评估的是测试的准确率。最高的可能值为 1,表示完美的预测和召回。

前面提到过,精度是正确识别的正结果次数除以正结果总数,其中包括未正确识别的结果数。召回率是正确识别的正结果次数除以应识别为正的样本总数。

而 F1 分数则是分类应用正确预测的百分比。

评估重要的因素

为了简单起见,这些例子都是很初级的。实际应用中的深度学习算法可能有六种甚至更多种分类。这将使混淆矩阵表格变得更加复杂。例如还有更复杂的公式可用于评估学习算法的召回率和准确率。

最终,公司可以使用这些分类指标制定成功的基线,并应用评分机制,就像教师给学生打分一样。随着时间的推移,深度学习开发人员可以使用这些指标来帮助微调他们的应用,并对有效和无效的地方做出更准确的评估。

对于工业自动化,制造商需要更好地了解他们部署的应用中哪些有效,哪些无效。具体选择关注哪些指标取决于各个企业特有的生产线、他们试图解决的问题,以及最重要的业务成果。

James Furbush

更多帖子

获取产品支持和培训以及更多

加入 MyCognex

是否有任何疑问?

世界各地的康耐视代表可以随时为您提供支持,满足您的视觉和工业读码需求。

联系我们