2、基础知识：缺陷检测任务定义、常见工业场景、评估指标的基本作用
在深入讨论 mAP、Recall 和过检成本之前，必须先厘清“缺陷检测”这一任务在工业视觉中的准确定义、典型场景以及评估指标存在的根本意义。很多工程师在模型调优时陷入困境，往往不是因为算法能力不足，而是因为对任务边界和指标含义的理解出现了偏差。本节将系统梳理这三个基础模块，为后续章节的指标推导和成本权衡建立坚实的认知框架。
2.1 缺陷检测任务的定义与边界
缺陷检测（Defect Detection）属于计算机视觉中目标检测（Object Detection）的一个特殊分支，但其任务定义与通用目标检测存在显著差异。通用目标检测关注的是“图中有什么物体、在哪里”，而工业缺陷检测更关注“产品表面或内部是否存在不符合规格的异常区域”。这种差异决定了模型设计、数据标注和评估方式的根本不同。
从任务形式上看，缺陷检测通常包含两个子任务：缺陷定位（找到缺陷在图像中的位置）和缺陷分类（判断缺陷属于哪种类别，如划痕、脏污、气泡、裂纹等）。在实际工业部署中，还可能涉及缺陷分割（像素级标注）和缺陷严重程度分级。与自然场景目标检测相比，工业缺陷检测具有以下鲜明特征：
- 缺陷形态多样且不规则：同一类别的缺陷在形状、大小、颜色、纹理上可能差异极大，例如划痕可以是直线、曲线或网状，长度从几像素到数百像素不等。
- 正负样本极度不均衡：良品（负样本）数量通常远大于缺陷品（正样本），实际产线中缺陷率可能低于1%，甚至低至0.1%。
- 缺陷与背景对比度低：许多缺陷（如轻微划痕、色差、纹理不均）在视觉上与正常纹理差异极小，需要高分辨率输入和精细特征提取。
- 实时性要求高：产线节拍通常要求单张图像处理时间在几十毫秒到几百毫秒之间，模型推理速度直接影响产能。
- 环境可控但复杂：虽然工业现场光照、角度相对可控，但不同产线、不同机台的光照条件仍有差异，且存在振动、灰尘等干扰因素。
理解任务定义的关键在于明确检测粒度。有些场景只需要判断“有无缺陷”（图像级分类），有些需要知道“缺陷在哪个区域”（区域级检测），还有些需要精确到“缺陷的像素轮廓”（像素级分割）。粒度不同，评估指标的选择和模型架构的设计都会完全不同。例如，对于PCB板上的微小焊点缺陷，可能需要像素级分割才能准确评估；而对于布匹表面的明显破洞，区域级检测框就足够。
- 明确检测粒度：图像级 / 区域级 / 像素级？
- 明确缺陷类别数：单类还是多类？类别间是否易混淆？
- 明确最小可接受缺陷尺寸：小于该尺寸的缺陷是否允许漏检？
- 明确产线节拍要求：单张图像允许的最大处理时间是多少？
- 明确缺陷出现频率：是每百件出现一次，还是每万件出现一次？
2.2 常见工业场景与检测难点
不同工业场景对缺陷检测的要求差异巨大，理解这些差异有助于选择合适的模型架构和评估策略。下表总结了几个典型工业场景的检测对象、常见缺陷类型、检测难点和典型精度要求：
| 工业场景 | 检测对象 | 常见缺陷类型 | 主要难点 | 典型精度要求 |
|---|---|---|---|---|
| 3C电子 | PCB板、手机屏幕、芯片引脚 | 焊点桥连、缺件、划痕、气泡、异物 | 高密度、小目标、反光干扰 | 漏检率 < 0.1%，过检率 < 5% |
| 汽车制造 | 车身面板、焊接点、涂装表面 | 凹坑、划痕、焊渣、漆面流挂 | 大尺寸表面、曲率变化、光照不均 | 漏检率 < 0.5%，过检率 < 10% |
| 半导体 | 晶圆、封装基板、引线框架 | 颗粒污染、图案缺陷、裂纹、毛刺 | 纳米级精度、高倍率成像、噪声干扰 | 漏检率 < 0.01%，过检率 < 1% |
| 纺织/金属 | 布匹、钢板、铝箔 | 断纱、破洞、色斑、压痕、氧化 | 连续运动、纹理复杂、缺陷形态多变 | 漏检率 < 1%，过检率 < 15% |
| 食品/医药 | 包装、药片、瓶装液体 | 异物、破损、标签歪斜、液位异常 | 高速产线、透明/半透明材质、卫生要求 | 漏检率 < 0.01%，过检率 < 3% |
从上述表格可以看出，不同场景的精度要求差异可达两个数量级。半导体行业的漏检率要求极低（0.01%），因为一粒微尘就可能导致整个芯片报废；而纺织行业的过检率容忍度相对较高（15%），因为人工复检成本较低。这种差异直接影响模型训练时的损失函数设计和评估时的阈值选择。
以3C电子中的PCB缺陷检测为例，其核心难点在于：PCB板上元件密集、走线复杂，缺陷尺寸往往只有几十像素，且铜面反光严重。传统机器视觉算法（如模板匹配、差影法）在背景变化稍大时就会失效，而深度学习模型需要大量标注数据才能达到产线要求。更棘手的是，PCB板不同批次、不同型号的布局差异很大，模型需要具备较强的泛化能力。
另一个典型场景是汽车涂装表面的检测。车身表面曲率变化大，光照反射不均匀，同一缺陷在不同角度下呈现的视觉效果完全不同。此外，漆面缺陷（如橘皮、流挂）的对比度极低，人眼都需要在特定光照角度下才能发现。这类场景通常需要采用多角度打光方案，并结合3D结构光或光度立体技术，单纯依赖2D图像很难达到满意的检测效果。
2.3 评估指标的基本作用与设计逻辑
评估指标是连接模型开发与业务需求的桥梁。没有评估指标，就无法客观判断模型是否满足产线要求，也无法在不同模型之间做出选择。但评估指标并非越多越好，选择不当反而会误导优化方向。理解每个指标背后的业务含义，比记住公式更重要。
在缺陷检测中，最核心的评估指标围绕混淆矩阵展开。混淆矩阵将模型的预测结果与真实标注进行对比，分为四类：真正例（TP，正确检出的缺陷）、假正例（FP，误报为缺陷的良品）、假负例（FN，漏检的缺陷）、真负例（TN，正确判定的良品）。基于这四类，衍生出以下关键指标：
- Precision（精确率） = TP / (TP + FP)：在所有被模型判定为缺陷的样本中，真正是缺陷的比例。高Precision意味着过检率低，即误报少。
- Recall（召回率） = TP / (TP + FN)：在所有真实缺陷中，被模型正确检出的比例。高Recall意味着漏检率低，即缺陷逃逸少。
- F1-Score = 2 × Precision × Recall / (Precision + Recall)：Precision和Recall的调和平均，用于综合衡量两者。
- AP（Average Precision）：在不同置信度阈值下，以Recall为横轴、Precision为纵轴绘制PR曲线，曲线下的面积即为AP。AP综合反映了模型在“高召回”和“高精确”之间的平衡能力。
- mAP（mean Average Precision）：对所有缺陷类别的AP取平均，是多类别缺陷检测中最常用的综合指标。
这些指标并非孤立存在，它们之间存在内在的权衡关系。提高Recall（降低漏检）通常意味着降低置信度阈值，让更多候选框被保留，但这会同时增加FP（过检），导致Precision下降。反之，提高Precision（降低过检）则需要提高置信度阈值，但可能漏掉一些低置信度的真实缺陷。这种此消彼长的关系，正是缺陷检测模型调优的核心矛盾。
评估指标的另一个重要作用是支持模型对比和阈值选择。在模型开发阶段，mAP可以帮助我们判断哪个模型架构更优；在部署阶段，我们需要根据产线实际需求，在PR曲线上选择一个合适的操作点（即置信度阈值）。例如，某模型在阈值0.5时Precision为0.95、Recall为0.90，在阈值0.3时Precision为0.85、Recall为0.97。如果产线要求漏检率低于3%，则应选择阈值0.3；如果过检成本极高，则应选择阈值0.5。
2.4 案例拆解：某手机屏幕缺陷检测项目的指标设计
为了更直观地理解上述概念，我们来看一个实际的手机屏幕缺陷检测项目。该项目要求检测屏幕表面的划痕、亮点、暗点和异物四类缺陷，产线节拍为每片屏幕2秒，缺陷率约为0.5%。
项目背景与约束：
- 检测对象：6.1英寸OLED手机屏幕，分辨率为2400×1080，检测区域为显示区。
- 缺陷类型：划痕（细长条状）、亮点（单像素级亮斑）、暗点（单像素级暗斑）、异物（不规则颗粒）。
- 业务要求：漏检率 ≤ 0.1%（即每1000片缺陷屏幕最多漏检1片），过检率 ≤ 5%（即每100片良品最多误报5片）。
- 硬件条件：5000万像素工业相机，8mm镜头，工作距离300mm，图像采集时间约0.5秒。
初始现象与目标：项目初期使用YOLOv5s模型，在验证集上mAP达到0.92，看起来性能不错。但实际产线试运行一周后发现，漏检率高达0.8%，远超0.1%的目标。进一步分析发现，漏检主要集中在亮点和暗点两类缺陷上，因为这两类缺陷尺寸极小（仅1-2像素），在特征提取过程中容易被下采样操作丢失。
关键数据与指标分析：
模型：YOLOv5s，输入分辨率1280×1280
验证集：2000张图像，其中缺陷图像500张，良品图像1500张
缺陷分布：划痕200个，亮点150个，暗点120个，异物180个
初始评估结果：
- mAP@0.5: 0.92
- 各类别AP：划痕0.95，亮点0.78，暗点0.75，异物0.93
- 在阈值0.25下：Precision=0.88，Recall=0.92
- 在阈值0.45下：Precision=0.96，Recall=0.82分析判断过程：从数据可以看出，mAP虽然达到0.92，但亮点和暗点的AP明显偏低（0.78和0.75），说明模型对这两类小目标的检测能力不足。此外，在阈值0.25时Recall为0.92，意味着漏检率为8%，远高于0.1%的目标。问题的根源在于：mAP是一个平均值，掩盖了类别间的性能差异。如果只看mAP，会误以为模型已经达标，但实际上关键缺陷类别的表现远未达到要求。
实际操作步骤：
- 将输入分辨率从1280×1280提升至1920×1920，保留更多小目标细节。
- 在训练时对亮点和暗点类别的损失函数增加权重（权重系数设为2.0），引导模型关注小目标。
- 引入数据增强策略，包括随机裁剪、缩放和亮度扰动，模拟不同光照条件下的成像效果。
- 将置信度阈值从默认的0.25调整为0.15，以提升Recall。
结果对比：
| 指标 | 优化前 | 优化后 | 变化 |
|---|---|---|---|
| mAP@0.5 | 0.92 | 0.95 | +0.03 |
| 亮点AP | 0.78 | 0.91 | +0.13 |
| 暗点AP | 0.75 | 0.89 | +0.14 |
| 漏检率（阈值0.15） | 0.8% | 0.08% | ↓ 0.72% |
| 过检率（阈值0.15） | 3.2% | 4.8% | ↑ 1.6% |
风险与代价：优化后漏检率降至0.08%，满足0.1%的目标，但过检率从3.2%上升至4.8%，仍在5%的容忍范围内。然而，过检率的上升意味着每天约有更多良品屏幕被误判为缺陷品，需要人工复检。按每条产线每天生产5000片屏幕计算，过检率每上升1%，每天就多出50片屏幕需要人工复检，每片复检成本约2元，每天增加100元成本。虽然可接受，但需要持续监控。
复盘经验：这个案例揭示了三个重要教训：第一，mAP不能作为唯一的评估指标，必须结合各类别AP和业务指标（漏检率、过检率）综合判断；第二，小目标缺陷是工业检测的主要挑战，需要从输入分辨率、网络结构、损失函数等多个维度协同优化；第三，阈值调整是部署阶段最直接有效的工具，但必须在漏检和过检之间找到业务可接受的平衡点。
2.5 常见误区与总结复盘
在缺陷检测评估指标的使用中，工程师常犯以下几类错误，需要特别警惕：
mAP是多个类别、多个阈值下的综合表现，一个高mAP模型可能在某个关键缺陷类别上表现很差。例如，某模型mAP达到0.95，但关键的安全相关缺陷（如裂纹）AP仅为0.60，这在产线上是不可接受的。正确的做法是：先确定业务上哪些缺陷类别最关键，然后针对这些类别单独评估AP和Recall。
很多工程师在评估模型时只报告mAP，却忽略了实际部署时选择的置信度阈值。mAP是PR曲线下的面积，反映的是模型的“潜力”，而实际产线运行在某个固定阈值下。同一个模型，在阈值0.3和0.7下的漏检率和过检率可能相差数倍。评估时必须明确标注阈值，并基于该阈值下的Precision/Recall进行决策。
缺陷率是指产线上真实存在缺陷的产品比例（如0.5%），漏检率是指缺陷产品中被模型漏掉的比例（如0.1%）。两者相乘才是最终流向客户的缺陷产品比例（0.5% × 0.1% = 0.0005%）。有些工程师误将漏检率当作缺陷率来解读，导致对模型性能的误判。
总结复盘：本节的核心要点可以归纳为以下几条：
- 缺陷检测任务的定义决定了模型设计、数据标注和评估方式，必须明确检测粒度、缺陷类别和业务约束。
- 不同工业场景的检测难点和精度要求差异巨大，评估指标的选择必须与业务需求对齐。
- Precision、Recall、mAP等指标各有侧重，mAP适合模型选型，Precision/Recall适合部署调优。
- 漏检和过检之间存在内在权衡，没有“最优”指标，只有“最适合业务”的指标组合。
- 评估指标是动态的，随着产线数据分布变化和业务需求调整，需要定期重新评估和优化。