2. 农业视觉误检漏检的典型场景与业务影响

在农业视觉任务中，“误检”和“漏检”并不是抽象指标，而是会直接转化为经济损失、人工返工和决策偏差的具体事件。误检（False Positive）指模型把非目标判为目标，例如把叶片上的水珠识别成病斑、把土块识别成幼果；漏检（False Negative）指目标真实存在却未被识别，例如被枝叶遮挡的果实、与叶色接近的虫体。两者在不同场景中的代价结构差异很大，理解这种差异，是后续优化策略选择的前提。

本节围绕果实计数、病虫害识别、杂草检测、成熟度分级四类典型场景，梳理误检漏检的具体表现、产生原因与业务代价，并给出各场景下更应优先控制哪一类错误的判断依据。

果实计数：重复计数与遮挡漏计的双向偏差

果实计数常用于产量预估、疏果决策和采收计划。这一场景最典型的误检是“同一果实被多次计数”：当果实相互重叠、边缘检测框发生重叠时，若后处理未做非极大值抑制（NMS）或抑制阈值设置不当，一个果实可能输出两个框。例如在番茄串收场景中，一串 8 个果实若因重叠被计为 11 个，产量预估就会偏高约 37%。另一类误检来自反光和水珠，在强光下果实表面高光被误认为独立目标。

漏检则主要来自枝叶遮挡和逆光。被叶片遮住一半以上的果实，其可见特征不足，模型置信度往往低于阈值而被过滤。业务上，计数偏高的误检会导致采收人力与包装物料准备过量，计数偏低的漏检则造成采收计划不足、果实过熟。因此果实计数场景通常应优先控制误检，评估时重点看“重复框率”和“计数绝对误差”，而不只是 mAP。

病虫害识别：漏检的代价远高于误检

病虫害识别是代价最不对称的场景。误检表现为把机械损伤、药渍、虫粪、甚至叶片自然老化误判为病斑，其后果是触发一次不必要的施药，增加成本并可能造成农药残留。而漏检意味着早期病斑未被发现，病害在田间扩散，往往几天内就从单株蔓延到片区，事后防治成本成倍上升。

以一个示例判断标准说明：若模型对早期病斑（面积小于叶面积 5%）的召回率只有 0.6，意味着约 40% 的早期病株被放过。假设每株早期病株日传染 0.3 株，10 天后潜在感染株数可达数十株量级。因此在病虫害场景中，通常应主动降低判定阈值以提高召回，用“宁可多报、不可漏报”的策略，再通过人工复核消化误检。评估指标应以召回率和漏检率为主，精确率作为次要约束。

杂草检测：误检直接伤害作物

杂草检测服务于精准喷施和机械除草。这一场景的特殊性在于误检的物理后果不可逆：把作物幼苗误判为杂草并喷施除草剂，会造成直接药害；漏检则导致除草不彻底，杂草与作物争水争肥。两类错误都敏感，但误检的伤害更直接、更难补救。

实际难点在于作物与杂草在幼苗期形态高度相似、颜色接近，仅靠 RGB 图像难以区分。工程上常引入近红外或多光谱信息、行株距先验（作物按行距规则排列，杂草分布随机）来降低误检。评估时应分别统计“作物被误喷率”和“杂草残留率”，前者通常要求控制在 1% 以下，后者可容忍度相对更高。

成熟度分级：等级误判影响售价与货架期

成熟度分级把连续的颜色、纹理变化映射为离散等级，其错误表现为“等级跳档”而非简单的有无判断。光照偏色会让偏红的果实被判为更熟，背景色干扰会让青果被判为成熟。漏检在这里更多表现为边界果实未被纳入统计，或局部着色被误当作整体成熟度。

这类错误的业务代价体现在分级错配：未熟果被分入成熟档，运输途中品质下降引发退货；过熟果被分入早熟档，货架期被高估。优化时不能只看整体准确率，而应看相邻等级间的混淆矩阵，尤其关注“跨档错误”（如一级误判为三级）的比例，因为跨档错误的经济损失远大于相邻档位误差。

从场景代价反推优化目标

四类场景的共同结论是：不能用一个统一的准确率指标衡量所有农业视觉任务。果实计数关注计数偏差与重复框，病虫害识别关注召回率，杂草检测关注作物误喷率，成熟度分级关注跨档混淆。在进入具体的误检漏检分析方法之前，先明确当前场景的错误代价结构，才能为后续的数据增强、阈值调整、后处理策略和评估体系设定正确的方向。下表给出一个可直接参考的场景—指标对照示例。