1. 误检漏检治理工程导入
在Teledyne视觉检测系统（如Sherlock、VisionPro、iNspect等）落地到产线后，工程师最常遇到的不是“系统完全不能用”，而是“它有时判得太严，有时又放得太松”。前者造成误检（False Reject / Over-reject），把合格品判为不良；后者造成漏检（False Accept / Escape），把不良品放行到下游。两者在财务上的表现完全不同：误检直接拉低良率、增加返工与报废，漏检则可能引发客诉、召回甚至安全风险。治理工程的目标不是追求“零误检零漏检”这种不存在的理想态，而是把两类错误同时压到与产线节拍、质量成本和客户要求相匹配的受控区间，并让这个区间可测量、可复现、可追溯。
典型现象：误检与漏检在产线上的真实面孔
误检通常表现为：同一批工件在相同工位反复触发报警，操作员复判后确认合格；或者报警集中在某个区域，比如金属反光边缘、字符印刷的毛刺、产品表面的油渍。以某连接器引脚检测为例，系统对引脚共面度设定阈值0.08mm，但来料批次中约3%的引脚因镀层反光导致灰度跳变，被误判为“引脚变形”。这类误检的根源往往不在算法本身，而在成像稳定性、阈值设定与产品自然波动之间的边界过窄。
漏检则更隐蔽：缺陷在抽检或客户处才被发现，回溯时发现系统当时给出的分数“刚好低于报警线”。例如某注塑件黑点检测，缺陷面积约0.15mm²，而系统最小可检面积设定为0.2mm²，导致连续两批产品逃逸。漏检的根源通常是灵敏度不足、缺陷对比度低、相机分辨率或光源角度不匹配，以及阈值被“调松”以压制误检后留下的副作用。
治理目标：把“感觉不准”变成可量化的工程指标
治理目标应写成可验证的指标，而不是“提高准确率”这类模糊表述。建议至少定义四个量：误检率（FRR，合格品被判不良的比例）、漏检率（FAR，不良品被判合格的比例）、复判率（操作员需要人工确认的比例）和单件检测节拍（含复判时间）。以某汽车零部件产线为例，治理前FRR约4.2%、FAR约0.6%、复判率12%、节拍1.8s/件；治理目标可设为FRR≤1.0%、FAR≤0.1%、复判率≤3%、节拍≤1.5s/件。这些数字不是拍脑袋，而是由客户质量协议、产线OEE和返工成本反推出来的。
需要强调的是，FAR和FRR的统计必须基于有 ground truth 的样本集。产线实时数据只能作为监控，不能直接作为治理依据，因为“操作员复判结果”本身可能带有人为偏差。因此治理工程的第一步往往是建立一个小规模但标注可靠的黄金样本集（Golden Set），覆盖合格品、各类缺陷、边界样本和已知易混淆样本。
工程化治理框架：五层闭环
把治理工作拆成五个相互约束的层次，可以避免“哪里报警就调哪里”的救火模式。第一层是成像层：相机、镜头、光源、工位机械稳定性，决定原始图像的信噪比和一致性。第二层是算法层：预处理、特征提取、缺陷分割与分类，决定系统“能看到什么”。第三层是判定层：阈值、ROI、逻辑组合、多工位投票，决定“看到之后怎么判”。第四层是数据层：样本管理、标注、版本控制、指标统计，决定治理是否可复现。第五层是产线层：节拍、复判流程、报警分级、追溯与反馈，决定治理结果能否在真实生产中被执行和维持。
课程任务地图：从诊断到固化
本课程后续章节将沿着上述五层框架展开，但不会机械地“一层一章”。整体任务地图可以理解为四条主线：第一条是诊断线，教你如何用黄金样本集和混淆矩阵定位误检漏检的主要来源，而不是凭经验猜；第二条是成像与算法线，覆盖光源选型、镜头计算、曝光与增益设定、预处理链、缺陷分割与分类器的选择与调参；第三条是判定与数据线，包括阈值整定、ROI与逻辑组合、多工位投票、样本版本管理和指标看板；第四条是产线固化线，涉及节拍优化、复判SOP、报警分级、变更管理与持续监控。
每条主线都会给出可执行的示例。例如在阈值整定部分，会以某划痕检测为例，给出灰度差阈值从18逐步调整到26时，FRR从3.8%降到0.9%、FAR从0.05%升到0.12%的示例数据，并说明如何用ROC曲线思路选择工作点。在光源部分，会以金属反光表面为例，对比环形光、同轴光和条形光在相同缺陷上的成像差异，并给出偏振片角度调整的示例。这些数据均为教学示例或合理假设，用于说明方法，不代表某一具体产线的实测结果。