缺陷级评测指标

传统的精度、召回率 和F1已广泛用于模式识别和信息检索领域。一定程度上，它在视觉分割、检测等领域中为一种通用的评价标准。对应的$Pre$、$Rec$ 和F1-measure($F$) 在视觉领域通常是基于像素级定义，如下：
$$\begin{array}{c}Pre=TP/(TP+FP)\\ Rec=TP/(TP+FN)\\ F=2\ast Pre\ast Recall/(Pre+Rec)\end{array}$$

其中$TP$表示正确检测到的像素点数，$FP$表示虚假缺陷像素点数，$FN$表示未检测到的缺陷像素点数。精度和召回率之间存在反比关系。也就是说，增大其中一个势必是以减小另一个为代价。因此为了相互平衡，引入了F1-measure指标。较高的F1-measure，表明正确的检测结果越多，并能达到与人类的判断相一致。然而为了统计$Pre$、$Rec$ 和F1-measure($F$)这三个评价指标，我们需要对缺陷区域里逐个像素进行精确而完整的标记，否则会给检测性能带来很大的影响。然而，逐像素的标记，不仅任务量巨大而且带有很强的主观性，从而不能客观地反映设计算法的性能。为了有效地评估算法的性能，我们根据缺陷检测的特点，提出了一种新的缺陷级评价指标$Pr{e}^{\prime }$、$Re{c}^{\prime }$ 和F1-measure($F^{\prime }$)，定义如下：
P r e ′ = T P p / P R e c ′ = T P r / N F ′ = 2 ∗ P r e ′ ∗