Q:

Deep Learning Tool グローバルアノマリー検出の判定タブで設定できる後処理パラメータの「画像分類しきい値」と「セグメンテーションしきい値」の違いは何ですが？

A:

◆画像分類しきい値

ヒートマップにおいて、最大の輝度値（最もアノマリーとして反応している箇所）だけを考慮し、最終的なOK/NGを判断するために利用されます。
例えば、アノマリースコアが0.2～0.3くらいが画像中の大部分を占めていて、特定のNG箇所には0.7の最大値を算出している場合、画像分類しきい値が考慮するのは1.0だけです。
→しきい値を0.5に設定すれば、最大アノマリースコアが0.5以上のものをNGとして判断するため、NG品をNGとして正解判定できます。
→一方でしきい値を1.0に設定した場合、最大アノマリースコアが1.0以上のものをNGとして判断するため、今回の例ではOK品として誤判定されてしまいます。
* DLToolでNG画像を入れて学習させていた場合には、自動で画像分類しきい値を最適な値に調整してくれます。その後、自由に調整することも可能です。

◆セグメンテーションしきい値

ヒートマップにおいて、何かしら反応した欠陥候補領域に対して、どの程度のスコアを持った領域を欠陥とみなすかのしきい値です。
例えば画像中にアノマリースコアが0.3, 0.5, 0.7の領域が出たとします。このとき、セグメンテーションしきい値を0.4に設定した場合、0.5と0.7の領域が欠陥領域として出力されます。

注意点としては、このセグメンテーションしきい値を変更したとしても、最終的なOK/NGの判断は変わらないことです。（あくまでそれは前述の画像分類しきい値によって判断されます）
このため、DLTool単体ではこの値はあまり有効価値のあるパラメータではありません。

活用方法としては、HALCONにエクスポートとして追加判定を行うようなケースです。
例えば、アノマリースコア自体は低めであるが欠陥ではある場合、まずはセグメンテーションしきい値を低めに設定して欠陥候補領域を複数出しておきます。そのうえで、select_shape等をかけることで、欠陥候補だけを抽出することが期待できます。

なお、セグメンテーションしきい値とは学習推論結果に応じて、自動で最適なパラメータに設定されます。

その他のパラメータについては、別記事 000010321 も合わせてご確認ください。