特征

特征是图像上可进行视觉辨识的区域。特征通常代表对应用相关的内容（缺陷、对象、对象的特定部分）。

特征尺寸

仅用于聚焦模式下的绿色分类、红色、蓝色定位和蓝色读取工具。
您认为对分析图像内容最重要的图像特征的主观大小。该特征尺寸确定用于采样的图像区域的大小。

标注

标注是用“基本事实”来注释图像的过程。根据您使用的工具，标注可以采用不同的形式。标注图像集有两个原因：提供训练工具所需的信息，并允许您根据基本事实测量和验证受过训练的工具的性能。

标记

图像标记是由 Deep Learning 工具生成的注释。工具生成的标记是工具处理特定图像时获得的“答案”。您可以通过将工具生成的标记与用于同一图像的标注进行比较，从而验证工具的性能。与标注一样，生成的特定标记取决于工具。

扰动

扰动是通过模拟特定类型变化的效果来提高受训网络的部件和图像容差。

训练图像集

特定应用的图像集合。训练图像集应代表特定部分或过程的图像，这些图像是采用运行时系统的照明、光学和机械特征，以一致的方式获取的。训练图像集应包括体现预期范围图像外观的图像，并且您期望在正常操作中看到这些图像外观。

有效性

根据已标注但未用于训练工具的图像来衡量工具性能的过程。

时期数

通过反复向网络提供采样图像数据、处理数据，将结果与预期的真值进行比较，然后调整网络权重并再次尝试来训练深度学习工具。时期数是通过网络处理每个输入样本的次数。

过度拟合

神经网络训练涉及迭代地调整网络中节点的权重，直到整体网络根据图像训练集生成与图像集标注真值匹配的答案。用于训练的训练时期越多，网络对训练集图像的响应就越准确。经过一定量的训练后，网络对训练集的性能提高将伴随对新图像的性能下降。这就是过度拟合。

标注错误

提供的真值信息不准确时，会发生标注错误。典型的例子包括在 OCR 中错误标注字符、未能标注所有图像中特定特征的所有实例，或者没有一致地标注缺陷区域范围。标注错误会导致工具性能严重下降。

ROC

接收器操作特征 (ROC) 是一种图形工具，能够对特定训练参数集合用于特定训练图像集时所表现的精度和召回之间的权衡进行可视化与分析。

F-得分

F-分数（或 F1 分数）是精度和收回分数之间的加权平均值，可测量测试的准确度。

精度

正确的检测特征或类的百分比（匹配标记的类或特征匹配）。

召回

工具正确识别的标注特征或类的百分比。

训练分数

在图像集中，用于训练的图像的分数（百分比）。仅使用图像集的一部分进行训练，可以验证受训工具对以前未见过图像的性能。

采样密度

采样点在图像上样本之间的移动量，并用特征大小表示。如果特征大小为 100 且采样密度为 1，则采样位置在采样之间前进 100 像素。采样密度为 4 则是在样本之间将采样位置推进 25 个像素。

视图

图像的视图是图像中的像素区域。工具处理仅限于视图中的像素。您可以手动指定视图，也可以使用上游工具的结果生成视图。

遮蔽图像

与视图具有相同大小的二维像素阵列。遮蔽图像的像素值确定视图中的对应像素是否用于训练或运行时处理。

模型

特征集合的特定空间排列（仅限蓝色定位和蓝色读取工具。）在后处理步骤中，蓝色定位和蓝色读取工具可以将在图像中检测的所有特征与该工具定义的模型相拟合。然后返回模型的整体姿态和标识。