| IOU | 交并比：真实分割与系统预测分割结果两个几何之间的比值，IOU越大，表明模型预测到的裂缝与实际图片中的裂缝重合度越高. | ${\rm{IOU}} = \dfrac{ {{\rm{TP}}} }{ {({\rm{TP}}+{\rm{FP}}+{\rm{FN}})} }.$ |
| Accuracy | 准确率：预测正确的像素数量占实际总像素数量的比例，Accuracy值越大，表明模型在像素预测的正确性上效果更好. | ${\rm{Acc}} = \dfrac{ {{\rm{TP}}+{\rm{TN}}} }{ {{\rm{TP}}+{\rm{TN}}+{\rm{FP}}+{\rm{FN}}} }.$ |
| Precision | 精确率：针对预测结果而言的，用于衡量模型检测的有多准，一类实际像素个数占模型预测为该类像素的比例，值越大，表明模型在该类的所有预测结果中正确预测的可能性越高. | ${\rm{Pr}} = \dfrac{ {{\rm{TP}}} }{ {{\rm{TP}}+{\rm{FP}}} }.$ |
| Recall | 召回率：针对原样本而言的，用于衡量模型预测结果有多全面的指标；其含义是在实际为正的样本中被预测为正样本的概率. | ${\rm{Re}}=\dfrac{{\rm{TP}}}{{\rm{TP}}+{\rm{FN}}}.$ |
| Fscore | F1分数：它以两者同样重要的权重将召回率和精确率加权调和平均，该值越大，表明被正确识别的裂缝像素越多，分割结果越精确，效果越好. | ${\rm{F}}1 = \dfrac{ {2{\rm{Pr}}\times {\rm{Re}}} }{ {{\rm{Pr}}+{\rm{Re}}} }.$ |
| Loss | 损失函数值：损失函数是表现深度学习模型预测和实际数据差距程度的函数，其值越小，说明模型的鲁棒性越好. | —— |