关于深度学习软件使用中某些参数

关于深度学习软件使用中某些参数

**1、**关于训练中的三种模式：Train–Auto，Always，Never 三种模式的选择
以一般塑料件表面缺陷检测为例：将脏污、划伤、OK此三类产品的图片放在一起进行训练，只找出其中的划伤。
在此时将 脏污 与 OK 产品标记为 ： Good
将 划伤 标记为 ： Bad
在此时应将 脏污 设置为 Train—Never，即将样品中存在重大干扰而又不可删除的样品图片设为 Train–Never ，使软件不以其为训练模板，同样关于划伤与OK中存在的干扰也可将其设为 Train–Never，例如以下情况：
①OK图片中，虽然被判定为OK，但存在众多其他小的干扰缺陷
②划伤样品图片中，不仅只含有划伤，还含有其他诸如料花、起皮等干扰因素
这也恰好说明了为什么标注缺陷要么不标记，要么一定要标记完整。

2、 关于过拟合与训练样本选择
为了防止过拟合：在训练时，随机忽略掉一些神经元和神经联络，使整个神经网络变得“不完整”，用一个不完整的神经网路再训练一次，到第二次再随机忽略掉另外的一部分，得到另一个不完整的神经网络，从而让神经网络没机会过度依赖。

关于训练样本选择：默认为50%，但并不是全选（100%）更好，此时涉及到过拟合的问题。

3、 某一类定位工具的使用感想
①定位点的数量、位置、大小
②定位点的顺序，即排序，点相连接的顺序

关于点的大小，切记不要过小，大小合适即可。
例如某一类产品，四角边缘皆是弧边。如果在弧边上定位，那么点的大小就不能过小，而是应该将整个弧边包括进去（或尽可能包含多的弧边长度），如果点过小，则容易在弧边上滑动找偏。

点的位置切不可过于靠近，否则非常容易误找

最重要的一点即是关于点的排序
例如：0、1、2、3、4、5、6、7 这8个点的连线决不可相交，而是应该尽可能的连成一个首尾相连的环（首点与尾点默认相连）。点的顺序可以通过 Move Back 来手动调整

另外关于定位点的位置选择
定位点尽量不要放在会出现严重缺陷的地方，不然非常容易找不到定位点。同样是在上述产品中：中间的圆孔非常容易出现严重的磨伤，导致图像的圆周围出现一大圈黑边，此时非常容易定位不准

关于定位点的方向问题
在定位点上存在一个小突起，这个小突起应该要对准零件内部，有点像极性方向。

如何对图像中的多种缺陷进行标记
假使产品上存在十几条无感划伤，且此产品为NG产品。
在过往的标记当中，只将其中几条划伤标记了出来，并且标记的不是太认真，导致分析结果并不理想，出现了以下现象，即标记的缺陷与实际的缺陷完全不符。

但是在后面的某一次标记中，将所有的无感划伤全部进行了标记，训练得到的结果符合的非常好，这让人更加确信：标记一定要标记全，否则是在告诉软件，未标记出来的不属于缺陷。

另外一点：在某一类图片中只标记某一类缺陷。例如：在划伤的图片中只标记出所有的划伤。
在训练之后，会让所有的图片中类似于划伤的全部被软件找出来，而其他类型（例如：脏污、黑点）则不会被软件标记出来。

这种现象有点像形态特征识别，即只要你标记出哪一种形态的缺陷，它就找出哪一类相似形态特征的缺陷

**4、**训练周期循环数–Count Epochs
将训练周期循环数调高之后，对于上述定位工具的训练准确性会有所提高

5、 Contrast—对比度
白色产品上某些黑色缺陷由于颜色较浅，没有被检测出来。
将Contrast，0% → 20% ，虽仍未检测出来，但有一定效果，可以看到分数在不断上升。

6、 Luminance ----亮度
产品：白色，背景黑色；图像：黑色背景，白色样品
①白色产品上某些黑色背景被误认为是缺陷
将 Luminance ：0% → 10% ，此时黑色背景未被误认为缺陷

存在一个问题：白色产品各部位明暗不一致，即有的地方灰，有的地方白，问题在于：
①灰色背景下存在一个颜色偏浅的缺陷
②白色背景下存在一个颜色偏深的缺陷
如何将二者挑出？

7、 Trian Selection(训练选择) -----Keep
每次训练完模型之后，点击 Trained 出现的训练的图片的张数=①+②
①：人工标记为Good的数量（即Actual中Good的数量）× 训练选择中的百分比数字
②：Actual中Bad中标记为 Train-Always 的数量
其中标记为 Train–Always ，则每次训练都会有这张图片，其中①的图片每次都是不同的，即随机在Actual–Good 中挑选50%（这个百分比可以自定义）进行训练，这时如使用 Keep 选项，将其打钩。 则下一次训练的 Actual–Good 中的图像仍为上一次训练的图像。同时由于Actual–Bad 中选取 Train–Always 的图像，即所有训练图像皆与上一次训练图像相同。

8、
感兴趣区域 ROI ： Region of Interest
False Positive ： 误判率 — FP — OK被判定为Bad
True Positive ： 准确率—TP — NG被判定为Bad
False Negative ： 错误否定率—FN—NG被判定为Good
True Negative ： TN—OK被判定为Good