1. 课程导入与农业视觉检测全景

农业视觉检测，是指利用相机、镜头、光源与图像算法，对农产品、作物、畜禽或农田场景进行自动识别、定位、计数、分级与质量判定的技术体系。它并不是单一算法问题，而是一条从“光”到“像”再到“判”的完整链路：光源决定目标能否被稳定照亮，镜头与相机决定空间分辨率与成像质量，预处理决定图像是否可比，检测模型决定目标能否被找到，后处理与业务规则决定最终结论是否可用。理解这条链路，是后续分析误检与漏检的前提。

农业视觉检测的主要任务类型

从任务形态看，农业视觉检测大致可分为五类，它们对误检与漏检的敏感程度并不相同：

• 分类任务：判断整幅图像或图像块的类别，如病叶/健康叶、合格果/缺陷果。关注的是“整体判对没有”。
• 检测任务：输出目标的位置框与类别，如苹果、番茄、杂草、虫体。误检与漏检通常以框为单位统计。
• 分割任务：输出像素级掩膜，如病斑面积、果实轮廓、叶面积。评价更关注边界与面积误差。
• 计数与定位任务：如苗数统计、穗数统计、果实计数，核心指标是数量偏差与重复计数。
• 分级与测量任务：如大小、颜色、形状、成熟度分级，关注测量值与等级判定的偏差。

这五类任务共享同一套成像条件，但误差来源不同。分类任务中一个被遮挡的果实可能只造成一次错判；检测任务中同一遮挡却可能同时造成一个漏检和一个误检。因此，讨论误检漏检必须先明确任务类型与统计口径。

误检与漏检的定义与区别

在农业视觉检测中，通常以人工标注或专家复核结果作为参考真值。设参考真值中存在某目标，模型未输出对应结果，称为漏检（False Negative，FN）；参考真值中不存在该目标，模型却输出了结果，称为误检（False Positive，FP）。两者合称错误检测，其统计基础是混淆矩阵。

需要强调的是，误检与漏检并非对称问题。漏检意味着“该发现的没发现”，在病虫害预警、成熟度判断、异物剔除等场景中往往带来直接损失；误检意味着“不该报的报了”，在自动分选、喷药决策中会造成误剔除、误喷施与人工复核成本上升。工程上常用精确率与召回率分别刻画这两类错误：

精确率 Precision = TP / (TP + FP)   // 报出的目标里有多少是真的
召回率 Recall    = TP / (TP + FN)   // 真实目标里有多少被报出
F1 = 2 × Precision × Recall / (Precision + Recall)

举例说明（示例数据，非实测）：某番茄检测模型在一批 200 个果实的图像上，正确检出 170 个，漏检 30 个，同时误报了 20 个背景区域。则 TP=170、FN=30、FP=20，召回率约 85.0%，精确率约 89.5%，F1 约 87.2%。若业务要求“宁可多报不可漏报”，就应优先提升召回率，并接受一定误检；若用于自动剔除，则需控制误检以免误伤合格品。这一取舍贯穿全课程。

从成像到判定的检测链路

下图给出农业视觉检测的典型信号与数据链路，并标出误检、漏检最常出现的环节。可以看到，错误并不只来自模型本身，成像不稳、标注不一致、阈值设置不当都会在链路末端表现为误检或漏检。

图中虚线表示“误差归因”的追溯方向：当最终判定出现异常时，应沿链路反向排查，而不是直接归咎于模型。例如漏检率突然升高，先看光源是否衰减、镜头是否污染，再看标注是否漏标，最后才考虑模型退化。

课程目标与学习路径

本课程围绕“看得清、标得准、检得出、判得对”四个层次展开。第一阶段建立全景认知，明确任务类型与误检漏检的定义及统计口径；第二阶段深入成像与数据环节，分析光照、分辨率、标注一致性对错误的影响；第三阶段进入模型与后处理，讨论置信度阈值、非极大值抑制、类别不平衡等对误检漏检的直接作用；第四阶段聚焦评价与归因，用混淆矩阵、PR 曲线、分层抽样定位错误集中区；第五阶段落到优化闭环，通过补光、改标、增广、换模型、调阈值等手段迭代验证。