CN119478576A 训练系统与方法、测试系统与方法、数据筛选系统与方法 （纬创资通股份有限公司）

否完成训练集学习以及以验证集判断物件侦测型以符合测试集测试结果并持续维持线上测试2(b)基于训练后的所述物件侦测模型与验证集中的多个验证图像的每一个的图像获得块但包括无法判定是否属于所述标准瑕疵类5.如权利要求2所述的训练系统，其中前述步骤(a)包模型是否完成所述训练集学习并获得所述训练将每一所述训练图像输入训练后的所述物件侦测模型述至少一个瑕疵图像区块中未被训练后的所述物件侦测模型侦测到的错失集所包括个数述训练图像中具有所述错失集的成员的至少一个误判训练图像6.如权利要求2所述的训练系统，其中前述步骤(a)包括下述模型是否完成所述训练集学习并获得所述训练将每一所述训练图像输入训练后的所述物件侦测模型述至少一个瑕疵图像区块中未被训练后的所述物件侦测模型侦测到的错失集所包括个数却被训练后的所述物件侦测模型侦测到的错误集响应于所述错失数量以及所述错误数量之和为37.如权利要求1所述的训练系统，其中所述训通过所述用户界面接收到对应于所述至少一个误判集图8.如权利要求2所述的训练系统，其中前述步骤(b物件侦测模型以及所述验证集获得所述物件侦测模型的所述误判值以及所述验证集中的将每一所述验证图像输入训练后的所述物件侦测模中所述漏失集为由所述验证图像中属于所述第一类别集却未被训练后的所述物件侦测模述验证图像中属于所述第二类别集却被训练后的所述物件侦测模型侦测到包括属于所述设定所述误判值为所述漏失数量以及所述错判9.如权利要求1所述的训练系统，其中所述训练系统通过所述用户界面接收到对应于所述至少一个误判集图像的至少一个第二修改信号，基于所述主模型以及测试集获得所述主模型的测试误判值与所述测试集中的测试误11.如权利要求10所述的训练系统，所述至少一个处理单元经配置以执行下述步骤以4第三误判集为非空，显示并基于第三输入处理所述第三误判集以获得处理后的所述训练所述至少一个可允收图像的每一个，显示所述筛选模型所侦测的所述至少一个侦测区域，13.如权利要求11所述的训练系统，所述至少一个待解决状况包括漏失状况以及错判像中属于所述第二类别集却被所述主模型侦测到包括属于所述标准瑕疵类别中的瑕疵图基于所述主模型以及线上测试集获得所述主模型的线上测试误判值与所述线上测试作为更新线上物件侦测模型，以及响应于所述线上测试误判值不满足所述线上测试条件，使用所述主模型判断所述线上误判集去除初始的所述再训练集后的所有成员中是否存在517.如权利要求16所述的训练系统，所述至少一个处理单元经配置以执行下述步骤以在所述线上测试误判集中选取对应至少一个待解决状示所述线上测试误判影像，并基于标注输入对每一所述线上测试误判影像进行外框标注，待解决状况标注过程使得每一所述线上测试误判影像的所述标注区域具有待解决状况标基于所述线上测试误判影像，训练线上筛选模型直到所基于所述线上筛选模型以及所述训练集获得所述训练基于所述线上筛选模型以及所述线上数据池，在所述线上数据池中获得可允收数据(b)基于训练后的所述物件侦测模型与验证集中的多个验证图像的每一个的图像获得区块但包括无法判定是否属于所述标准瑕疵621.如权利要求19所述的训练方法，其中所述标准瑕疵类别包括异物类别以及刮伤类22.如权利要求19所述的训练方法，其中前述步骤(a)将每一所述训练图像输入训练后的所述物件侦测模型述至少一个瑕疵图像区块中未被训练后的所述物件侦测模型侦测到的错失集所包括个数述训练图像中具有所述错失集的成员的至少一个误判训练图像23.如权利要求19所述的训练方法，其中前述步骤(a)将每一所述训练图像输入训练后的所述物件侦测模型述至少一个瑕疵图像区块中未被训练后的所述物件侦测模型侦测到的错失集所包括个数却被训练后的所述物件侦测模型侦测到的错误集响应于所述错失数量以及所述错误数量之和为25.如权利要求19所述的训练方法，其中前述步述物件侦测模型以及所述验证集获得所述物件侦测模型的所述误判值以及所述验证集中将每一所述验证图像输入训练后的所述物件侦测模中所述漏失集为由所述验证图像中属于所述第一类别集却未被训练后的所述物件侦测模述验证图像中属于所述第二类别集却被训练后的所述物件侦测模型侦测到包括属于所述设定所述误判值为所述漏失数量以及所述错判7通过所述用户界面接收到对应于所述至少一个误判集图像的至少一个第二修改信号，基于所述主模型以及测试集获得所述主模型的测试误判值与所述测试集中的测试误第三误判集为非空，显示并基于第三输入处理所述第三误判集以获得处理后的所述训练所述至少一个可允收图像的每一个，显示所述筛选模型所侦测的所述至少一个侦测区域，30.如权利要求28所述的训练方法，所述至少一个待解决状况包括漏失状况以及错判像中属于所述第二类别集却被所述主模型侦测到包括属于所述标准瑕疵类别中的瑕疵图831.如权利要求18所述的训练方法，其中所述条件为所述误判值不等于零以及所述误基于所述主模型以及线上测试集获得所述主模型的线上测试误判值与所述线上测试作为更新线上物件侦测模型，以及响应于所述线上测试误判值不满足所述线上测试条件，使用所述主模型判断所述线上误判集去除初始的所述再训练集后的所有成员中是否存在在所述线上测试误判集中选取对应至少一个待解决状示所述线上测试误判影像，并基于标注输入对每一所述线上测试误判影像进行外框标注，待解决状况标注过程使得每一所述线上测试误判影像的所述标注区域具有待解决状况标基于所述线上测试误判影像，训练线上筛选模型直到所基于所述线上筛选模型以及所述训练集获得所述训练基于所述线上筛选模型以及所述线上数据池，在所述线上数据池中获得可允收数据基于主模型以及测试集获得所述主模型的测试误判值与所述测试集中的测试误判集；9基于主模型以及测试集获得所述主模型的测试误判值与所述测试集中的测试误判集；在所述测试误判集中选取对应至少一个待解决状况的多个测试基于所述筛选模型以及所述训练集获得所述训练集中基于所述筛选模型以及所述数据池，在所述数据池中在所述测试误判集中选取对应至少一个待解决状况的多个测试基于所述筛选模型以及所述训练集获得所述训练集中基于所述筛选模型以及所述数据池，在所述数据池中39.一种内储程序的计算机可读取记录介质，当至少一个处理器载入所述内储程序并[0002]一般用户(尤其是只拥有领域知识但较缺乏AI知识技能的用户)，在使用LowCode/NoCode的人工智慧平台工具进行现场实务的人工智慧模型训练开发时仍常常会遭物件侦测模型与验证集中的多个验证图像的每一个的图像获得物件侦测模型的误判值与于训练后的该物件侦测模型与验证集中的多个验证图像的每一个的图像获得该物件侦测类别表示图像经判定不包含属于该些标准瑕疵类别中的一像进行外框标注，以及对于进行外框标注时所获得的每一测试误判影像的多个标注区域，允收数据集中的至少一个可允收图像，显示并基于第二输入处理当前显示的可允收图像；持续整合领域知识以改善训练集的品质，通过持续判断物件侦测模型是否完成训练集学型是否过度训练(overfitting)可在物件侦测模型过度训练前获得最佳训练状态的物件侦[0048]201,202,203,401,402,403,501,502,503,601,602,701,702,801,802,901,902,[0049]2011,2012,2013,2021,2022,2023,2031,2032,2033,301,4011,4013,5011,6011,7011,8011,9011,10011,10012,10013,11011,12011,14011,14012,14013,15011,15011’,15012,15013,16011,16021,17011,17021,1703[0050]302,303,4012,4014,5012,5013,6012,7012,8012,9012,9013,100111,100121,100131,110111,120111,130111,130121,130131,140111,140112,140121,140131,150111,150113,150121,150131,160121,160221,170121,170221,170321,180111,180121,190111:[0051]13011,13012,13013,150112,150122,150132,16012,16022,17012,17022,17032,[0058]S2001～S2007,S2101～S2104,S2201～S2204,S2301～S2305,S2401～S2405,S2501～S2504,S2601～S2604,S2701～S2707,S性存储器103中读取对应的计算机程序到内部存储器102中然后运行。处理单元101可包含性存储器103中存储一个待训练的物件侦测模型(例如，为实例分割(Instance[0062]前述物件侦测模型(objectiondetectionmodel)经训练后可接收图像，并输出测模型为实例分割模型(InstanceSegmentationModel)。实例分割模型会将图像中的物件在像素层级分类到不同的类别。实例分割模型例如为DeepMask、SharpMask、物件侦测模型。在一些实施例中，前述神经网络模组为神经处理器(Neural_network[0064]以下即配合图示详细说明本发明一些实施例的训练方法以及电子设备100的各模[0065]图20是依据本发明一实施例所绘示的训练方法流程图。在图20所绘示的实施例101以一个当前次数，基于一个训练集训练物件侦测模型。当前次数指当前的训练周期(epoch)的次数。一个训练周期表示训练集中所有数据都被用来训练类神经网络一次。其的目的即是希望训练后的物件侦测模型能辨识出输入影像中属于前述瑕疵类别的图像区并计算误判的次数以及将训练集中物件侦测模型误判的训练应于物件侦测模型未完成训练集学习，则先执行步骤S2004增加当前次数后，再回到步骤通过训练不足(underfitting)的阶段；另通过以验证集判断物件侦测模型是否过度训练(overfitting)可在物件侦测模型过度训练前获得最佳训练状态的物件侦测模型以作为主测模型错失(missing)训练图像所具有的至少一个瑕疵图像区块，亦即训练图像所具有的像区块未被训练后的物件侦测模型侦测到包含输出错误的瑕疵类别的情况。在此实施例练后的物件侦测模型侦测到的错失集所包含个数的错失数量。在步骤S2102中，处理单元块，特殊瑕疵类别用于后续公开的系统以及流程中使用(标准瑕疵类别以及特殊瑕疵类别定义为物件侦测模型所输出的外框与瑕疵图像区块所标注外框的交并比(Intersection于标准瑕疵类别中的一个却被训练后的物件侦测模型侦测到。在此实施例中，前述步骤于该些标准瑕疵类别中的一个却被训练后的物件侦测模型侦测到的错误集所包含个数的[0080]图23是依据本发明一实施例所绘示的训练方法流程图。在图23所绘示的实施例前述修改信号可以是跳过修改的信号，跳过修改的信号表示显示的误判影像不需要修正。户界面104所接收到对应于至少一个误判集图像的至少一个修改信号作为第一输入，并基的做法一样；但一般模型训练通常是将所有搜集的数据以一定比例(例如6:2:2)随机分成201的图像区块2013、图像202的图像区块2023以及图像203的图像区块2031、图像区块属于多个标准瑕疵类别中的一个的图像区块但包含无法判定是否属于该些瑕疵类别中的[0085]由于图像201经判定包含属于多个标准瑕疵类别中的一个的图像区块2011，所以标准瑕疵类别中的一个的图像区块但包含无法判定是否属于该些瑕疵类别中的一个的图一类别的图像的集合称为第一类别集(set)，在数据池中属于第二类别的图像的集合称为[0088]值得说明的是，瑕疵图像区块/实际OK图像区块代表标记人员依当前的判定标准前述训练方法会聚焦在实际OK图像区块/瑕疵图像区块数据进行物件侦测模型训练和验[0089]接下来说明在此实施例中，如何从数据池中选取前述初始的训练集以及验证执行人员针对每种标准瑕疵类别(前述异物类别、刮伤类别)，依拥有的领域知识(domainknowledge)判断可能存在的呈现样态，在每种标准瑕疵类别下再定义这些瑕疵呈现形态[0090]接下来执行人员对前述从数据池的第一类别集中选出作为训练集的图像进行外件侦测模型的类型对前述从数据池的第一类别集中选出作为训练集的图像进行不同的外[0091]验证集采用随机的方式分别从数据池的第一类别集和数据池的第二类别集各别据池中的第一类别集，验证图像选自数据池中的第一类别集以及数据池中的第二类别集，至少一个瑕疵图像区块皆被标注外框(值得说明的是，如前所述执行人员先从数据池的第别的意义指的是训练后的物件侦测模型认为是瑕疵图像区块但执行人员依据判定标准认中的图像区块4011开始时被认为是属于异物类别的瑕疵图像区块(所以被标注外框4012以属于异物类别的瑕疵图像区块，并以外框标注并被标注为classA显示在用户界面104上执行人员的输入，将图像区块4013指定为未确定瑕疵类别(所以被标注外框4014以及被标注为classD)，处理单元101将变更后的图像401(如图像403所示)存储(增加了图像区块参阅图5，图像501中的图像区块5011开始时被认为是不属于异物类别的实际OK图像区块块，并以外框5012标注显示在用户界面104上(如图像502所示)，执行人员复判图像区块[0098]图6至图10是依据本发明一实施例所绘示的第一误判集处理示意图。请同时参阅104上显示图6所记载的图像601，图像601包含一个原被指定为刮伤类别的图像区块6011，图像区块6011被标注外框6012以及被标注为classB表示被指定为刮伤类别。图像区块户界面104所接收的修改信号修改图像区块6011的类别为异物类别(因此重新标注为class701包含一个原被指定为刮伤类别的图像区块7011，图像区块7011被标注外框7012以及被标注为classB表示被指定为刮伤类别。图像区块7011被训练后的物件侦测模型认为是属户界面104指定图像区块7011的类别为未确定瑕疵类别这个特殊类别，执行人员操作用户界面104所产生的信号即为前述修改信号，处理单元101以用户界面104所接收的修改信号修改图像区块7011的类别为未确定瑕疵类别(被标注为classD)，并将变更后的图像701801包含一个原被指定为刮伤类别的图像区块8011，图像区块8011被标注外框8012以及被标注为classB表示被指定为刮伤类别。图像区块8011被训练后的物件侦测模型认为是属移除图像区块7011原被指定的刮伤类别(classB)以及外框8012，执行人员操作用户界面104所产生的信号即为前述修改信号，处理单元101以用户界面104所接收的修改信号移除图像区块8011原被指定的刮伤类别(cla出现在第一误判集，人员复判后决定更改原类别标注(可为标准瑕疵类别、不确定图像区框9012。训练后的物件侦测模型认为图像区块9011是属于刮伤类别但外框应为外框9013，由于外框9012与外框9013的交并比小于0.5(可依据需求设定为其他数值)，因此处此执行人员通过用户界面104改变图像区块9011的外框为外框9013，执行人员操作用户界面104所产生的信号即为前述修改信号，处理单元101以用户界面104所接收的修改信号修侦测模型认为是属于异物类别，图像区块10012被训练后的物件侦测模型认为是属于异物训练后的物件侦测模型认为是属于异物类别并被训练后的物件侦测模型标注外框100131以及被标注为classA，前述物件侦测模型认定的结果显示于用户界面104上(如图像1002户界面104指定图像区块10012的类别为异物类别并标注外框100121。经执行人员复判后，像区块10013的类别为未确定瑕疵类别这个特殊类别(所以被标注为classD)并标注外框区块10011(图像区块10012以及图像区块10013可能是当初漏标注或之前认定为不确定图注classA)，执行人员复判后判定图像区块10013为不确定图像区块(因此增加classD标训练后的该物件侦测模型侦测到包含属于该些标准瑕疵类别中的瑕疵图像区块的图像所处理单元101可通过直接修改其分类标签为第三类别集以达到移除的效果，而不需要直接[0110]针对验证集的复判(图像属于第一类别，但物件侦测模型没有侦元101接收到移除信号后，从验证集中将这张误判验证图像移除(例如处理单元101可通过移)。若执行人员复判这个误判验证图像被训练后的物件侦测模型侦测到的至少一个瑕疵图像区块有一个依据判定标准为瑕疵图像区块，则执行人员输入移动信号作为修改信号，第一类别；若执行人员确认至少一个物件侦测模型找到的瑕疵区域属于不确定图像区块施例中，在处理单元101获得主模型后，处理单元101再基于主模型以及测试集执行步骤S2501～S2504以确认是否输出前述主模型作为离线模型(Off_linemodel)。在步骤S2501中，处理单元101再基于主模型以及测试集获得主模型的至少一个测试误判值与测试集中些测试图像含属于该第一类别的多个第一测试图像以及属于该第二类别的多个第二测试处理单元101判断漏失数量以及错判数量之和是否为零。若漏失数量以及错判数量之和为集或是属于错判集的至少一个错漏测试误判并将测试图像中属于漏失集或是属于错判集的至少一个测试误判图像设置为测试误判集。以用户界面104所接收到对应于至少一个测试误判图像的至少一个修改信号作为测试验证集中将这张错漏测试误判图像移除(例如处理单元101可通过直接修改其分类标签为第三需要直接从档案层级删除或搬移)。若执行人员复判这个错漏测试误判图像被训练后的物试误判图像分类到第一类别集并不需要直接从档案层级删除，只需改变其分类(例如可修判集中选取对应至少一个待解决状况的多个测试误判影像；处理单元101显示该些测试误[0121]在本发明一些实施例中，前述至少一个待解决状况包含漏失状11以及图12来说明在本实施例中步骤S2601的执行过程。针对对应漏失状况的测试误判影像，如图11所绘示，处理单元101显示对应漏失状况的测试误判影像1101，测试误判影像1101包含执行人员依据判定标准判定为瑕疵图像区块的图像区块11011。执行人员通过用况的测试误判影像1201，测试误判影像1201包含经主模型认为是属于异物类别(所以显示标注为classA以表示异物类别)并以外框标注外框120111显示在用户界面104上(如测试号即为前述标注输入，处理单元101基于前述标注输入存储图像区块12011的外框120111，定义为筛选模型从训练集中预测出具有属于漏失状况的区域或是具有错判状况的区域的些训练图像中的预测错判集所包含数量的预测错判数量。处理单元101判断预测漏失数量练图像中属于预测漏失集或是属于预测错判集的至少一个筛选训练图像设置为第三误判户界面104所接收到对应于至少一个筛选训练图像的至少一个修改信号作为筛选清理输图像上所预测具有属于漏失状况的区域与筛选训练图像原被标注为瑕疵图像区块的图像测具有属于漏失状况的区域指定其正确瑕疵类别。(2)筛选模型预测具有属于漏失状况的[0128]在本发明一些实施例中，由处理单元101基于以下步骤检查筛选模型在筛选训练图像上所预测具有属于漏失状况的区域与筛选训练图像原被标注为瑕疵图像区块的图像区块是否有重迭：处理单元101计算筛选模型在筛选训练图像上所预测具有属于漏失状况所得的交并比大于预设的重迭率(例如50％)，则处理单元101判断筛选模型在筛选训练图像上所预测具有属于漏失状况的区域与筛选训练图像原被标注为瑕疵图像区块的图像区单元101判断没有重迭。若处理单元101计算出的交并比大于前述预设的重迭率(例如预设的重迭率(例如50％)的筛选模型在筛选训练图像上所预测具有属于漏失状况的区域，漏失状况的区域为瑕疵图像区块/不确定图像区块/实际OK图像区块其中一种，处理单元所预测具有属于错判状况的区域与筛选训练图像原被标注为瑕疵图像区块的图像区块是改成原瑕疵图像区块的外框区域减掉与筛选模型预测的区域的重迭部分后所剩下的区域，被标注为瑕疵图像区块的图像区块指定为未确定瑕疵类别。(3)原被标注为瑕疵图像区块[0130]在本发明一些实施例中，由处理单元101基于以下步骤检查筛选模型在筛选训练图像上所预测具有属于错判状况的区域与筛选训练图像原被标注为瑕疵图像区块的图像区块是否有重迭：处理单元101计算筛选模型在筛选训练图像上所预测具有属于错判状况所得的交并比大于预设的重迭率(例如50％)，则处理单元101判断筛选模型在筛选训练图像上所预测具有属于错判状况的区域与筛选训练图像原被标注为瑕疵图像区块的图像区单元101判断没有重迭。若处理单元101计算出的交并比小于等于前述预设的重迭率(例如域为瑕疵图像区块/不确定图像区块/实际OK图像区块其中一种，处理单元101即自动完成型从训练图像中找到一个具有漏失状况的区域，但执行人员复判觉得属于实际OK图像区载的筛选训练图像1301，筛选训练图像1301包含筛选模型预测具有属于漏失状况的区域标注。区域13011具有外框130111，区域13012具有外框130121以及区域13013具有外框[0132]区域13011经判断属于异物类别的瑕疵图像区块，将区域13011指定为异物类别此标注为classC表示无类别)并维持其外框130131。执行人员操作用户界面104所产生的异物类别)的图像区块14011、属于不确定图像区块的图像区块14012以及属于实际OK图像的区域的交并比小于预设阈值，但不为0，因此处理单元101显示图像区块14011及外框101显示图像区块14012及外框140121。图像区块14013被包含在筛选模型预测具有属于漏断属于异物类别的瑕疵图像区块，将图像区块14011指定为异物类别(因此标注为classA域14012指定为未确定瑕疵类别(因此标注为classD表示未确定瑕疵类别)并增加其外框140121。区域14013经判断属于实际OK图像区块，将区域14013指定为无类别(因此标注为[0134]请参阅图15，处理单元101在用户界面104上显示图15所记载的筛选训练图像1501，筛选训练图像1501包含原被标注为属于异物类别(因此标注为classA表示异物类150111减掉与筛选模型预测的区域150112的重迭部分后，仍确认属于异物类别图像区块，将图像区块15011的外框修改成缩减后的外框150113(此时外框150113实际包含属于异物删除图像区块15013的异物类别标注(classA)以及外框150131以变更为实际OK图像区块。执行人员操作用户界面104所产生的信号即为前述修改信号，处理单元101以用户界面104所接收的修改信号修改筛选训练图像1501行人员判断当前显示的第一状况图像中筛选模型预测出具有属于漏失状况的区域为瑕疵其中第一状况图像1601包含属于实际OK图像区块的图像区块16011以及筛选模型预测出具第一状况图像1602包含属于瑕疵图像区块的图像区块16021以及筛选模型预测出具有属于漏失状况的区域16022，区域16022被标注为classE以表示漏失，区域16022具有外框行人员判断当前显示的第二状况图像中筛选模型预测出具有属于错判状况的区域属于实其中第二状况图像1701包含属于实际OK图像区块的图像区块17011以及筛选模型预测出具况的区域17012为属于实际OK图像区块，并且当前显示的第二状况图像的所有图像区块皆含属于实际OK图像区块的图像区块17021以及筛选模型预测出具有属于错判状况的区域上，其中第二状况图像1703包含经执行人员复判后属于不确定图像区块的图像区块17031以及筛选模型预测出具有属于错判状况的区域17032，区域17032被标注为classF以表示示的第二状况图像1703中筛选模型预测出具有属于漏失状况的区域17032为属于实际OK图并修正这一张图像在数据池中的分类(例如第二状况图像1703虽是从第二数据集中取出，[0143]在本发明一些实施例中，前述至少一个待解决状况包含漏失状处理单元101将前述可允收数据集中的至少一个可允收图像的每一个，显示筛选模型所侦[0145]图18是依据本发明一实施例所绘示的漏失状况可允收图像瑕疵类别标注过程示意图。图19是依据本发明一实施例所绘示的错判状况可允收图像瑕疵类别标注过程示意筛选模型预测出具有属于漏失状况的区域且经执行人员复判后为属于异物类别的区域1801同时包含非筛选模型预测出具有属于漏失状况的区域但经执行人员复判后属于异物类别的图像区块18011。执行人员对区域18012指定正确的瑕疵类别为异物类别(标注为classA)并保留其外框180121(如可允收图像1802所示)，执行人员对区域对图像区块18011标注外框180111并指定正确的瑕[0146]前述无类别的一个使用时机是，筛选模型预测出具有属于错判状况的区域(也就用户界面104上，其中可允收图像1901包含筛选模型预测出具有属于错判状况的区域[0148]请再参阅图1，在本发明一些实施例中，测试系统实施如图1所绘示的电子设备主模型存储在非易失性存储器103中以供后续使用处理；基于主模型以及测试集获得主模表示该图像经判定不包含属于该些瑕疵类别中的一个的图像区块。在本发明一些实施例[0149]处理单元101可以用户界面104所接收到对应于测试误判集中至少一个测试误判集中的至少一个可允收图像的每一个，显示并基于第四输入处理当前显示的可允收图像；[0152]处理单元101利用用户界面104显示前述各种图像，并接收用户界面104所接收的[0154]在本发明一些实施例中，执行人员针对实际生产环境下线上物件侦测模型(即当离线模型判定为具瑕疵图像区块但执行人员复判后没发现存述图18以及图19所绘示的标注过程)与原来训练离线模型的训[0157]前述线上正确集依据实际OK图像区块/不确定图像区块/瑕疵图像区块加入原来模型还要经过测试流程。图27是依据本发明一些实施例所绘示的线上模型训练方法流程型以及线上测试集获得主模型的至少一个线上测试误判值与线上测试集中的线上测试误若线上测试误判值满足线上测试条件，执行步骤S2703，若否则执行步骤S2704。在步骤型判断线上误判集去除初始的再训练集后的所有成员中是否存在主模型会误判的再误判误判集中选取对应至少一个待解决状况的多个线上测试误判影像；处理单元101显示该些线上主模型相同，线上筛选模型的至少一个侦测类别包含至少一个待解决状况。在步骤S2803中，处理单元101基于线上筛选模型以及线上训练集获得线上训练集中的第三误判~S2007以获得主模型。在获得主模型后处理单元101执行步骤S2501～S2504以及S2601~试误判值满足测试条件前，步骤S2001～S2007可能会重复执行好几次。每一次执行步骤101执行步骤S2001～S2007以获得主模型。在获得主模型后处理单元101执行步骤S2701~S2706以及S2801～S2804以在线上测试误判值满足线上测试条件的情况下，获得更新线上[0164]请再参考图1，内部存储器102例如是随机存取存储器(Random