TWM678561U - 電子裝置 - Google Patents

Abstract

本案揭露一種電子裝置，包含一儲存裝置、一處理裝置以及一顯示裝置。儲存裝置儲存有一待檢測資料集，待檢測資料集包含複數個已標記資料。處理裝置電性連接儲存裝置，以對複數個已標記資料進行一資料前處理後產生複數個標記圖像，處理裝置判斷待檢測資料集為單類別性質時，處理裝置執行一第一單類別檢測程序，以便產生一第一錯誤標記結果；處理裝置判斷待檢測資料集為多類別性質時，處理裝置執行複數個第二單類別檢測程序及執行一多類別檢測程序，以便產生一第二錯誤標記結果。顯示裝置係顯示第一錯誤標記結果或第二錯誤標記結果。

Description

電子裝置

本案係有關一種利用機器學習技術來檢測標記圖像之電子裝置。

在訓練深度學習網路時，除了訓練方式與模型架構之外，訓練資料的質量是影響檢測效果的重要因素之一。 若訓練資料中包含錯誤的標記，會大幅度影響模型的訓練結果。在標記檢查的領域中，傳統的標記檢查方法大多依賴人工檢查，透過手動檢查每個標記，來確認標記的正確性。如果發現錯誤標記，則手動移除或修正錯誤標記，這樣的過程耗費了大量的時間與人力成本，特別是在大規模數據集中，人工檢查效率極低，且極易產生錯誤或遺漏。

在現代化工具中，雖然開始引入機器學習技術來替代部分人工檢查，但大多數傳統工具仍然使用較為簡單的機器學習演算法，例如，支持向量機（Support Vector Machine，SVM）為常見的標記檢查方式之一，配合交叉驗證（Cross-validation）進行訓練，以檢測數據中之異常標記，但其效能有限，難以處理大規模數據集，且無法提供足夠準確的異常檢測結果。此外，這些工具大多依賴靜態閥值（Static Threshold）或Top-K排名策略來判定異常標記，其中靜態閥值的方式無法根據不同資料集圖片內容做相應的調整；而Top-K排名策略的做法則會導致使用者對檢查結果產生困惑，即便所有標記都是正確的，系統仍然會回傳異常結果，無法反映真實的數據品質。

因此，傳統標記檢查方式包括人工檢查和使用支持向量機等機器學習演算法，雖然可以在一定程度上減輕工作量，但仍然存在有效能不足和準確性不足的問題。

本案提供一種電子裝置，包含一儲存裝置、一處理裝置以及一顯示裝置。儲存裝置內係儲存有一待檢測資料集，待檢測資料集包含複數個已標記資料。處理裝置電性連接儲存裝置，處理裝置對複數個已標記資料進行一資料前處理後產生複數個標記圖像，處理裝置判斷待檢測資料集係為一單類別性質或一多類別性質。待檢測資料集為單類別性質時，處理裝置執行一第一單類別檢測程序，以利用一第一動態閥值比較複數個標記圖像之圖像差異，於複數個標記圖像中找出圖像差異較大的標記圖像並標示為一異常標記，進而產生一第一錯誤標記結果；待檢測資料集為多類別性質時，處理裝置執行複數個第二單類別檢測程序，以取得複數個類別中每一類別之複數個標記圖像對應之複數個品質參數，處理裝置根據複數個品質參數續執行一多類別檢測程序，以分別利用一第二動態閥值自複數個標記圖像中篩選出每一類別之異常標記，進而產生一第二錯誤標記結果。顯示裝置係電性連接處理裝置，以顯示第一錯誤標記結果或第二錯誤標記結果。

綜上所述，本案之電子裝置，其係採用動態閥值設定技術，以根據標記資料的數據分佈自動調整檢測標準，並整合多類別檢測程序及單類別檢測程序，不僅可提升標記檢測的準確性，更進一步提高了效能。因此，本案之電子裝置係可有效應對各種資料集，並減少人工介入，提升模型訓練資料品質，以有效支援大部分的深度學習網路模型。

以下將配合相關圖式來說明本案的實施例。此外，實施例中的圖式有省略部份元件或結構，以清楚顯示本案的技術特點。在這些圖式中，相同的標號表示相同或類似的元件或電路。

請同時參閱圖1及圖2所示，一電子裝置10包含有一儲存裝置12、一處理裝置14、一顯示裝置16以及一圖形處理器18，且處理裝置14電性連接儲存裝置12、顯示裝置16及圖形處理器18。在電子裝置10中，儲存裝置12內係儲存有至少一待檢測資料集，此待檢測資料集包含複數個已標記資料。處理裝置14係配合複數個單類別非監督式學習演算法141、142、143以及一多類別監督式學習演算法144，在本實施例中，複數個單類別非監督式學習演算法141、142、143係以三個單類別非監督式學習演算法141、142、143為例，但本案不以此為限。處理裝置14對複數個已標記資料進行一資料前處理，如步驟S10所示，主要將輸入之已標記資料進行預處理，包含圖像裁剪及標準化等步驟，確保數據資料的一致性，以產生複數個標記圖像，處理裝置14判斷待檢測資料集係為一單類別性質或一多類別性質，如步驟S12所示，當待檢測資料集為單類別性質時，處理裝置14透過單類別非監督式學習演算法141對待檢測資料集處理後之複數個標記圖像執行一第一單類別檢測程序，如步驟S14所示，以利用一第一動態閥值比較複數個標記圖像之圖像差異，再於複數個標記圖像中找出圖像差異較大的標記圖像並標示為一異常標記，進而產生一第一錯誤標記結果，並將第一錯誤標記結果傳送至顯示裝置16。當待檢測資料集為多類別性質時，處理裝置14先透過複數個單類別非監督式學習演算法141、142、143分別對複數個標記圖像執行複數個第二單類別檢測程序，如步驟S16至步驟S18所示，以取得複數個類別中每一類別之複數個標記圖像對應之複數個品質參數，換言之，處理裝置14係依序透過單類別非監督式學習演算法141、142、143分別對複數個標記圖像執行第二單類別檢測程序，以依序取得每一類別之複數個標記圖像對應之複數個品質參數，之後再繼續透過多類別監督式學習演算法144進行一多類別檢測程序，如步驟S20所示，使處理裝置14根據複數個品質參數續執行多類別檢測程序，以分別利用一第二動態閥值自複數個標記圖像中篩選出每一類別之異常標記，進而產生一第二錯誤標記結果，並將第二錯誤標記結果傳送至顯示裝置16。顯示裝置16係接收第一錯誤標記結果或第二錯誤標記結果，以顯示第一錯誤標記結果或第二錯誤標記結果。並且，在電子裝置10中，圖形處理器18亦電性連接處理裝置14，當處理裝置14對已標記資料或標記圖像進行處理時，或是利用單類別非監督式學習演算法141、142、143或多類別監督式學習演算法144進行運算時，圖形處理器18係協助處理裝置14進行相關運算或處理，以使用圖形處理器18來輔助運算，加速整體運算速度。

在一實施例中，電子裝置10係可為一個人電腦、一筆記型電腦或是一平板電腦等，但本案不以此為限。

在一實施例中，處理裝置14係為一中央處理單元（central processing unit，CPU），或是其他一般用途或特殊用途的微處理器（microprocessor）、微控制器（microcontroller）、微控制單元（micro control unit，MCU）、數位信號處理器（digital signal processor，DSP）、可程式化控制器、特殊應用積體電路（application specific integrated circuit，ASIC），或其他類似元件或上述元件的組合，但本案不以此為限。

在一實施例中，儲存裝置12可以是任何型態的固定式或可移動式的隨機存取記憶體（random access memory，RAM）、唯讀記憶體（read-only memory，ROM）、快閃記憶體（flash memory）、硬碟（hard disk drive，HDD）、固態硬碟（solid state drive，SSD）或其他類似元件或上述元件的組合，以用於儲存處理裝置14所需的任何模型、影像、圖像或參數資訊等，但本案不以此為限。

接續針對單類別非監督式學習演算法141、142、143以及多類別監督式學習演算法144分別詳細說明如後。

在一實施例中，本案之單類別非監督式學習演算法141、142、143主要針對單類別性質之標記圖像進行檢測，並通過無監督學習方法來識別異常標記。請同時參閱圖1及圖3所示，處理裝置14透過單類別非監督式學習演算法141對待檢測資料集（標記圖像）執行第一單類別檢測程序之步驟包含：如步驟S30所示，對標記圖像進行特徵擷取，以對應取得複數個標記特徵，即處理裝置14使用預先訓練好的特徵提取模型（圖中未示），對複數個標記圖像進行特徵提取，以獲得複數個標記特徵，這些標記特徵是後續異常檢測的重要依據，能夠描述圖像的具體屬性和內在結構。如步驟S32所示，計算每一標記特徵與其他標記特徵間的一平均特徵距離，詳言之，在取得標記特徵之後，處理裝置14通過一K近鄰演算法（K-Nearest Neighbors）來計算每一標記特徵與其他標記特徵的平均特徵距離，此步驟有助於量化每個標記特徵與整體標記資料之間的差異程度，此時，平均特徵距離的數值愈大，代表此標記圖像的屬性或內在結構與其他標記差異較大，較有可能為異常標記。如步驟S34所示，將每一平均特徵距離轉換為一標記品質分數（Label Quality Score），在計算出平均特徵距離之後，為了更直觀的表示標記品質，可以根據一方程式：來計算標記品質分數，以將平均特徵距離轉換為一個數值範圍介於0～1之間的標記品質分數，此標記品質分數係用來衡量每一標記圖像的異常程度，此時，標記品質分數愈低，表示此標記特徵愈可疑。

如步驟S36所示，根據待檢測資料集之數據分佈計算第一動態閥值，詳言之，處理裝置14（單類別非監督式學習演算法141）係透過一四分位距（Inter Quartile Range，IQR）方式來計算第一動態閥值，具體計算公式為：，其中，Q1為待檢測資料集的第一四分位數（25％數據點的位置），Q3為第三四分位數（75％數據點的位置），而IQR（四分位距）則為這二個四分位數之間的距離，而第一動態閥值的計算公式為：，此公式係根據資料分佈的變異性來確定檢測閥值的上下限，以確保處理裝置14能夠根據不同資料集的特性動態調整異常標記的判定標準。最後，如步驟S38所示，根據第一動態閥值及標記品質分數，於複數個標記圖像中找出差異較大的標記圖像並標示為異常標記，以產生第一錯誤標記結果。其中，處理裝置14係比較第一動態閥值及標記品質分數，以將標記品質分數小於第一動態閥值之標記圖像標示為異常標記，這些異常標記將被標示為可疑或錯誤標記，以供使用者進行後續檢查與修正。

請參閱圖4所示，圖中的每一個分佈點（包含實心點與空心點）皆為待檢測資料集中每一個已標記資料依序經過前述步驟S10之前處理、步驟S12之取得平均特徵距離以及步驟S14轉換成標記品質分數，進而轉換成標記品質分數的分佈圖，其中，左邊的虛線為經過運算後之第一動態閥值，空心點為低於第一動態閥值的標記，此即為異常標記。

請同時參閱圖1及圖3所示，當待檢測資料集為多類別性質時，處理裝置14透過複數個單類別非監督式學習演算法141、142、143依序執行複數個第二單類別檢測程序時，每一單類別非監督式學習演算法141、142、143執行第二單類別檢測程序更包含：如圖3所示之步驟S30之對每一類別之複數個標記圖像進行特徵擷取，以對應取得複數個標記特徵；如步驟S32所示，計算每一標記特徵與其他標記特徵間的一平均特徵距離；如步驟S34所示，每一平均特徵距離轉換為一標記品質分數，使每一類別係具有複數個標記圖像對應之複數個標記品質分數作為複數個品質參數。

在一實施例中，本案之多類別監督式學習演算法144主要針對多類別性質（類別數量≧2）之標記圖像進行檢測，並通過監督學習方法來進行異常標記的檢測。請同時參閱圖1及圖5所示，處理裝置14在取得複數個標記圖像對應之複數個標記品質分數之後，每一類別中之複數個標記圖像更可分為二部分，包含：標記品質分數最高的前面複數個第一標記圖像以及剩餘之複數個第二標記圖像。處理裝置14透過多類別監督式學習演算法144執行多類別檢測程序更包含：如步驟S40所示，選取每一類別中之複數個第一標記圖像，在本實施例中係以標記品質分數最高的10個標記圖像作為第一標記圖像，但本案不以此為限，本案選擇標記品質分數最高的10個第一標記圖像作為後續之訓練樣本，這些高品質標記具有較高的準確性，能避免取得錯誤標記，並有效提升後續分類器的訓練效果。如步驟S42所示，利用每一類別之複數個第一標記圖像對一監督學習分類器進行訓練，以產生訓練好的監督學習分類器，詳言之，處理裝置14使用每一類別中之標記品質分數最高的第一標記圖像作為訓練樣本，來訓練監督學習分類器，以透過標記品質分數最高的10個第一標記圖像來確保資料品質，以避免花費大量時間訓練分類器及驗證分類器。如步驟S44所示，在取得訓練完成之監督學習分類器之後，利用監督學習分類器對每一類別之複數個第二標記圖像進行預測，使複數個第二標記圖像分別產生一新的類別自信分數（Confidence score），這些類別自信分數將用來判斷標記的異常情況。如步驟S46所示，根據第二動態閥值及類別自信分數，於複數個第二標記圖像中找出差異較大的第二標記圖像並將其標示為異常標記，以產生第二錯誤標記結果。處理裝置14根據類別自信分數，篩選出每一類別中的異常標記，這些異常標記通常是與該類別其他標記差異較大的標記圖像，所以多類別監督式學習演算法144可以比較第二動態閥值及類別自信分數，以將類別自信分數小於第二動態閥值之第二標記圖像標示為異常標記，而產生之第二錯誤標記結果除了會標示異常標記之外，更可標示出可能的一正確類別，並顯示在顯示裝置16上。

在一實施例中，多類別監督式學習演算法144係根據待檢測資料集之數據分佈計算第二動態閥值，也就是處理裝置14之多類別監督式學習演算法144可透過一四分位距方式來計算第二動態閥值，此計算方式係與第一動態閥值之計算方式相同，故可參照前述說明，於此不再贅述。

在一實施例中，處理裝置14可以單獨採用一單類別非監督式學習演算法141來對待檢測資料集執行第一單類別檢測程序。在另一實施例中，處理裝置14更可透過複數個單類別非監督式學習演算法141、142、143的其中之一單類別非監督式學習演算法141/142/143來待檢測資料集執行第一單類別檢測程序。

請參閱圖1所示，在顯示裝置16上顯示之使用者介面20係依序如圖6至圖9所示，在處理裝置14準備開始對標記圖像22進行標記檢測時，如圖6所示。在處理裝置14正在對標記圖像22進行異常標記檢測流程時，如圖7所示。完成異常標記檢測流程後，會如圖8所示，於使用者介面20上左側畫面會以顏色標示24顯示可能為標記異常的標記圖像22，右側畫面會以帶顏色驚嘆號26標示在標記圖像22上的異常標記28的標記位置。如圖9所示，以單類別性質之第一錯誤標記結果為例，當滑鼠游標30移動至帶顏色的驚嘆號26上時，於顯示裝置16上會顯示出〝未知〞，如圖10所示，表示此位置為未知的異常標記28。

請參閱圖11及圖12所示，本案係以多類別性質之第二錯誤標記結果為例，在此係共有3類別，且以蘋果類別為例，對標記圖像22完成異常標記檢測流程後，會如圖11所示，於使用者介面20上左側畫面會以顏色標示24顯示可能為標記異常的標記圖像22，右側畫面會以帶顏色的驚嘆號26標示在標記圖像22上的異常標記28的標記位置。如圖12所示，當滑鼠游標30移動至帶顏色的驚嘆號26上時，於顯示裝置16上會顯示出〝未知〞，表示此位置為未知的異常標記28。

請參閱圖13及圖14所示，本案仍以多類別性質之第二錯誤標記結果為例，在此係共有3類別，且以蘋果類別為例，對標記圖像22完成異常標記檢測流程後，會如圖13所示，於使用者介面20上左側畫面會以顏色標示24顯示可能為標記異常的標記圖像22，右側畫面會以帶顏色的驚嘆號26標示在標記圖像22上的異常標記28的標記位置。如圖14所示，當滑鼠游標30移動至帶顏色的驚嘆號26上時，於顯示裝置16上之異常標記28的相同位置會顯示出可能的正確類別，例如，序列1的柳橙，序列2的水蜜桃。

本案在標記檢測領域中，係具有以下幾項優勢。動態閥值設定技術：本案為了克服傳統標記檢查中靜態閥值無法適應多變資料集的問題，全新設計了動態閥值設定技術，其係能根據資料集內部的特徵分佈自動調整異常檢測標準，無需依賴固定的閥值設定，此方法不僅能適應資料集中的變異性，更能即時調整標準來處理不同性質的資料集。單類別與多類別檢查的整合：本案設計了一個單類別性質與多類別性質統一檢查流程， 無論是單類別還是多類別的資料集，處理裝置都能夠自動選擇適當的檢測演算法，對於單類別性質之資料集，處理裝置使用非監督式學習演算法進行異常檢測，而對於多類別性質之資料集，則使用監督式學習演算法進行標記分類，並進行異常標記檢測。減少人工干預檢查：相較於傳統方法，本案通過動態調整技術和自動檢測流程，顯著減少了人工參與的頻率與工作量，使用者只需在檢測報告後進行修正，處理裝置會根據新的標記資料自動調整後續檢測流程，從而提高整體效率。

綜上所述，本案之電子裝置，其係採用動態閥值設定技術，以根據標記資料的數據分佈自動調整檢測標準，並整合多類別檢測程序及單類別檢測程序，不僅可提升標記檢測的準確性，更進一步提高了效能。因此，本案之電子裝置係可有效應對各種資料集，並減少人工介入，提升模型訓練資料品質，以有效支援大部分的深度學習網路模型，包含分類（Classification）模型、異常檢測（Anomaly Detection）模型、物件偵測（Object Detection）模型、旋轉框物件偵測（Oriented Object Detection）模型以及分割任務（Segmentation）模型等。

以上所述之實施例僅係為說明本案之技術思想及特點，其目的在使熟悉此項技術者能夠瞭解本案之內容並據以實施，當不能以之限定本案之專利範圍，即大凡依本案所揭示之精神所作之均等變化或修飾，仍應涵蓋在本案之申請專利範圍內。

10:電子裝置 12:儲存裝置 14:處理裝置 141:單類別非監督式學習演算法 142:單類別非監督式學習演算法 143:單類別非監督式學習演算法 144:多類別監督式學習演算法 16:顯示裝置 18:圖形處理器 20:使用者介面 22:標記圖像 24:顏色標示 26:驚嘆號 28:異常標記 30:滑鼠游標 S10~S20:步驟 S30~S38:步驟 S40~S46:步驟

圖1為根據本案一實施例之電子裝置的方塊示意圖。 圖2為根據本案一實施例之電子裝置在進行異常標記檢測的流程示意圖。 圖3為根據本案一實施例之電子裝置利用單類別非監督式學習演算法對單類別性質之標記圖像進行異常標記檢測之流程示意圖。 圖4為根據本案一實施例之電子裝置產生之標記品質分數之分佈示意圖。 圖5為根據本案一實施例之電子裝置利用多類別監督式學習演算法對多類別性質之標記圖像進行異常標記檢測之流程示意圖。 圖6為根據本案一實施例之電子裝置準備開始進行異常標記檢測之使用者介面示意圖。 圖7為根據本案一實施例之電子裝置正在進行異常標記檢測之使用者介面示意圖。 圖8為根據本案一實施例之電子裝置已完成異常標記檢測之使用者介面示意圖。 圖9及圖10分別為根據本案一實施例之電子裝置於單類別性質之第一錯誤標記結果中使用滑鼠游標點選驚嘆號之前及之後的使用者介面示意圖。 圖11及圖12分別為根據本案一實施例之電子裝置於多類別性質之第二錯誤標記結果中使用滑鼠游標點選驚嘆號之前及之後的使用者介面示意圖。 圖13及圖14分別為根據本案一實施例之電子裝置於多類別性質之另一第二錯誤標記結果中使用滑鼠游標點選驚嘆號之前及之後的使用者介面示意圖。

10:電子裝置

12:儲存裝置

14:處理裝置

141:單類別非監督式學習演算法

142:單類別非監督式學習演算法

143:單類別非監督式學習演算法

144:多類別監督式學習演算法

16:顯示裝置

18:圖形處理器

Claims (23)

1. 一種電子裝置，包含： 一儲存裝置，其內係儲存有一待檢測資料集，該待檢測資料集包含複數個已標記資料； 一處理裝置，電性連接該儲存裝置，該處理裝置對該些已標記資料進行一資料前處理後產生複數個標記圖像，該處理裝置判斷該待檢測資料集係為一單類別性質或一多類別性質，該待檢測資料集為該單類別性質時，該處理裝置執行一第一單類別檢測程序，以利用一第一動態閥值比較該些標記圖像之圖像差異，於該些標記圖像中找出該圖像差異較大的該標記圖像並標示為一異常標記，進而產生一第一錯誤標記結果；該待檢測資料集為該多類別性質時，該處理裝置執行複數個第二單類別檢測程序，以取得複數個類別中每一該類別之該些標記圖像對應之複數個品質參數，該處理裝置根據該些品質參數續執行一多類別檢測程序，以分別利用一第二動態閥值自該些標記圖像中篩選出每一該類別之該異常標記，進而產生一第二錯誤標記結果；以及 一顯示裝置，電性連接該處理裝置，以顯示該第一錯誤標記結果或該第二錯誤標記結果。
2. 如請求項1所述之電子裝置，其中該處理裝置更配合一單類別非監督式學習演算法，以對該待檢測資料集執行該第一單類別檢測程序。
3. 如請求項2所述之電子裝置，其中該單類別非監督式學習演算法執行該第一單類別檢測程序更包含：對該標記圖像進行特徵擷取，以對應取得複數個標記特徵；計算每一該標記特徵與其他該標記特徵間的一平均特徵距離；將每一該平均特徵距離轉換為一標記品質分數；根據該待檢測資料集之數據分佈計算該第一動態閥值；以及根據該第一動態閥值及該標記品質分數，於該些標記圖像中找出差異較大的該標記圖像並標示為該異常標記，以產生該第一錯誤標記結果。
4. 如請求項3所述之電子裝置，其中該單類別非監督式學習演算法係透過一K近鄰演算法來計算該平均特徵距離。
5. 如請求項3所述之電子裝置，其中該單類別非監督式學習演算法係透過一方程式：來計算該標記品質分數。
6. 如請求項3所述之電子裝置，其中該單類別非監督式學習演算法係透過一四分位距方式來計算該第一動態閥值。
7. 如請求項3所述之電子裝置，其中該單類別非監督式學習演算法係比較該第一動態閥值及該標記品質分數，以將該標記品質分數小於該第一動態閥值之該標記圖像標示為該異常標記。
8. 如請求項1所述之電子裝置，其中該處理裝置更配合複數個單類別非監督式學習演算法以及一多類別監督式學習演算法，以利用該些單類別非監督式學習演算法對該待檢測資料集執行該些第二單類別檢測程序，以及利用該多類別監督式學習演算法執行該多類別檢測程序。
9. 如請求項8所述之電子裝置，其中該複數個單類別非監督式學習演算法係依序執行該些第二單類別檢測程序，每一該單類別非監督式學習演算法執行該第二單類別檢測程序更包含：對每一該類別之該些標記圖像進行特徵擷取，以對應取得複數個標記特徵；計算每一該標記特徵與其他該標記特徵間的一平均特徵距離；以及將每一該平均特徵距離轉換為一標記品質分數，使每一該類別係具有該些標記圖像對應之複數個該標記品質分數作為該些品質參數。
10. 如請求項9所述之電子裝置，其中每一該單類別非監督式學習演算法係透過一K近鄰演算法來計算該平均特徵距離。
11. 如請求項9所述之電子裝置，其中每一該單類別非監督式學習演算法係透過一方程式：來計算該標記品質分數。
12. 如請求項9所述之電子裝置，其中該些標記圖像更包含該標記品質分數最高的前面複數個第一標記圖像以及剩餘之複數個第二標記圖像；該多類別監督式學習演算法執行該多類別檢測程序更包含：選取每一該類別中之該些第一標記圖像；利用每一該類別之該些第一標記圖像對一監督學習分類器進行訓練，以產生訓練好的該監督學習分類器；利用該監督學習分類器對該些二標記圖像進行預測，使該些第二標記圖像分別產生一類別自信分數；以及根據該第二動態閥值及該類別自信分數，於該複數個第二標記圖像中找出差異較大的該第二標記圖像並標示為該異常標記，以產生該第二錯誤標記結果。
13. 如請求項12所述之電子裝置，其中該多類別監督式學習演算法係根據該待檢測資料集之數據分佈計算該第二動態閥值。
14. 如請求項13所述之電子裝置，其中該多類別監督式學習演算法係透過一四分位距方式來計算該第二動態閥值。
15. 如請求項12所述之電子裝置，其中該多類別監督式學習演算法係比較該第二動態閥值及該類別自信分數，以將該類別自信分數小於該第二動態閥值之該第二標記圖像標示為該異常標記。
16. 如請求項12所述之電子裝置，其中該第二錯誤標記結果除了標示該異常標記之外，更標示出一正確類別，並顯示在該顯示裝置上。
17. 如請求項8所述之電子裝置，其中該處理裝置更透過該些單類別非監督式學習演算法的其中之一單類別非監督式學習演算法來對該待檢測資料集執行該第一單類別檢測程序。
18. 如請求項17所述之電子裝置，其中該單類別非監督式學習演算法執行該第一單類別檢測程序更包含：對該標記圖像進行特徵擷取，以對應取得複數個標記特徵；計算每一該標記特徵與其他該標記特徵間的一平均特徵距離；將每一該平均特徵距離轉換為一標記品質分數；根據該待檢測資料集之數據分佈計算該第一動態閥值；以及根據該第一動態閥值及該標記品質分數，於該些標記圖像中找出差異較大的該標記圖像並標示為該異常標記，以產生該第一錯誤標記結果。
19. 如請求項18所述之電子裝置，其中該單類別非監督式學習演算法係透過一K近鄰演算法來計算該平均特徵距離。
20. 如請求項18所述之電子裝置，其中該單類別非監督式學習演算法係透過一方程式：來計算該標記品質分數。
21. 如請求項18所述之電子裝置，其中該單類別非監督式學習演算法係透過一四分位距方式來計算該第一動態閥值。
22. 如請求項18所述之電子裝置，其中該單類別非監督式學習演算法係比較該第一動態閥值及該標記品質分數，以將該標記品質分數小於該第一動態閥值之該標記圖像標示為該異常標記。
23. 如請求項1所述之電子裝置，更包含一圖形處理器，該圖形處理器電性連接該處理裝置，該圖形處理器係協助該處理裝置進行運算。