3. 验收测试核心概念

在Halcon视觉项目的交付链条中，验收测试是甲方与乙方之间最正式的“技术契约”执行环节。它不同于开发阶段的单元测试或集成测试，验收测试的核心目的是回答一个根本问题：“这套视觉系统是否达到了合同约定的可用状态？”。本章围绕四个核心概念展开——验收标准、测试用例、缺陷分类、通过/失败判定准则，它们共同构成了验收测试的“宪法”与“操作手册”。

3.1 验收标准：从合同语言到可测量指标

验收标准是验收测试的源头，它必须将合同中的模糊描述（如“检测准确率高”“运行稳定”）转化为可量化、可复现、可仲裁的技术指标。在Halcon项目中，验收标准通常分为三个层次：

• 功能指标：检测项是否齐全、分类是否正确、定位精度是否达标。例如“识别PCB板上所有缺件、偏移、极性反贴缺陷，漏检率≤0.1%”。
• 性能指标：节拍时间、并发处理能力、长时间运行稳定性。例如“单工位检测周期≤2.5秒（含触发、采集、处理、通信）”。
• 鲁棒性指标：对光照变化、产品型号切换、来料轻微差异的适应能力。例如“在环境照度波动±20%范围内，误检率上升不超过0.05%”。

制定验收标准时，必须遵循SMART原则（具体、可测量、可达成、相关、有时限）。一个常见的错误是直接引用Halcon算子参数作为验收标准，例如“使用shape_model匹配分数≥0.8”，这属于实现细节而非验收标准。正确的表述应为“在标准样品集上，所有合格品的匹配分数均≥0.8，且无漏检”。

3.2 测试用例：验收动作的结构化设计

测试用例是验收标准的具体执行脚本。一个完整的Halcon验收测试用例应包含以下要素：用例编号、前置条件、测试步骤、输入数据（图像/参数）、预期结果、实际结果、判定结论。在设计测试用例时，需要覆盖三类场景：

1. 典型场景：使用标准样品（Golden Sample）进行测试，验证系统在理想状态下的性能。例如使用20张标准无缺陷图像，验证误检率为0。
2. 边界场景：使用接近极限条件的样本，验证系统的容差范围。例如检测最小缺陷尺寸（0.3mm²）、最大倾斜角度（±15°）、最暗光照（200 lux）。
3. 异常场景：模拟非预期输入，验证系统的容错能力。例如输入全黑图像、模糊图像、未触发信号时的行为。

测试用例的设计必须与Halcon脚本的具体实现解耦。验收方不应依赖开发方的内部变量或调试接口，而应通过系统对外提供的输入输出接口（如相机触发信号、图像文件目录、TCP/IP通信报文）进行黑盒测试。以下是一个典型的测试用例模板：

用例编号: AC-OCR-001
测试目标: 验证OCR识别模块对批次号打印质量的鲁棒性
前置条件:
  - 系统处于自动运行模式
  - 标准光源亮度为80%
  - 待测样品为同一批次连续生产的50个产品
测试步骤:
  1. 将50个样品依次放置于检测工位
  2. 触发相机采集，记录每次识别结果及耗时
  3. 对识别失败的样品，人工复核打印质量
输入数据: 50张实时采集图像（含正常、轻微油墨不均、字符断线样本）
预期结果:
  - 字符识别准确率 ≥ 99.5%
  - 单次识别耗时 ≤ 200ms
  - 对油墨不均样本的拒识率 ≤ 2%（即允许拒识，但不允许误识）
实际结果: （填写实测数据）
判定结论: 通过 / 不通过

3.3 缺陷分类：统一语言，分级处理

在验收测试过程中，发现的问题必须进行分类登记，以便确定是否影响验收结论。Halcon视觉项目的缺陷通常分为四个等级：

缺陷分类的核心价值在于避免“一刀切”。如果所有问题都视为必须修复项，会导致验收周期无限拉长；反之，如果所有问题都视为可接受项，则可能埋下重大隐患。建议在验收启动前，双方就缺陷等级定义达成书面共识，特别是对“严重”与“一般”的边界进行举例说明。

3.4 通过/失败判定准则：组合逻辑与仲裁机制

通过/失败判定不是简单的“所有用例通过即通过”，而是需要设计一套组合判定逻辑。常见的判定模型包括：

• 全通过模型：所有致命和严重缺陷为0，一般缺陷不超过N个，轻微缺陷不限制。适用于安全关键场景（如医疗、汽车零部件）。
• 加权评分模型：为不同测试项分配权重，计算综合得分。例如功能测试占60%，性能测试占30%，鲁棒性测试占10%，总分≥85分视为通过。
• 关键项否决模型：设定若干“一票否决”项（如漏检率、安全功能），只要有一项不达标，整体判定为不通过，无论其他项表现多好。

在实际执行中，推荐采用“分层判定+回归确认”的流程：

第一层：致命缺陷检查
  - 若存在任何致命缺陷 → 整体判定为“不通过”，终止测试
第二层：关键指标检查
  - 漏检率、误检率、节拍时间是否达标
  - 若任一关键指标不达标 → 判定为“不通过”，进入整改
第三层：非关键指标检查
  - 一般缺陷数量是否在约定范围内
  - 若超出范围 → 判定为“有条件通过”，附整改期限
第四层：回归测试
  - 所有修复项必须执行回归测试，确认无副作用

判定准则中还必须明确样本量的统计学依据。例如，若合同要求漏检率≤0.1%，仅测试100个样本（其中1个缺陷）无法从统计学上证明该指标。此时应参考二项分布或泊松分布，计算所需最小样本量。Halcon项目中常用的经验值是：对于0.1%的漏检率，至少测试3000个已知缺陷样本且全部检出，才能以95%置信度确认达标。

3.5 案例复盘：一个定位项目的验收争议

某汽车零部件项目，合同要求“对直径10mm±0.05mm的圆孔进行定位，定位精度≤0.02mm”。开发方在验收时使用Halcon的measure_pos算子，在实验室环境下测得精度为0.015mm，自测通过。但甲方在现场验收时，使用产线实际工件（表面有油污、反光不均）进行测试，精度降至0.035mm，判定不通过。

复盘发现三个核心问题：

1. 验收标准未定义测试环境：合同未明确“在何种光照、何种工件表面状态下测试”。开发方默认使用理想环境，甲方默认使用实际产线环境。
2. 测试样本不具有代表性：开发方自测使用的工件是经过清洗的“标准件”，而产线工件表面状态差异极大。
3. 判定准则缺失：合同只写了“定位精度≤0.02mm”，但未规定是平均值、最大值还是CpK值，也未规定测试次数。

最终解决方案是：双方重新定义验收标准——在产线实际光照下，连续测试200个工件，取定位误差的最大值作为判定依据，且允许对工件表面进行“吹气清洁”预处理。同时，开发方优化了Halcon脚本，在measure_pos前增加了基于频域滤波的预处理步骤，最终将最大误差控制在0.018mm，验收通过。

这个案例说明，验收测试的核心概念不是孤立的术语，而是需要在实际项目中动态平衡的体系。验收标准是“锚”，测试用例是“船”，缺陷分类是“导航图”，通过/失败判定准则是“港口规则”。四者缺一不可，且必须在项目启动初期就同步设计，而非等到验收阶段才临时拼凑。