3. 误检与漏检的定义及量化指标
在 Teledyne 视觉检测系统中，误检（False Positive，又称过杀、假阳性）与漏检（False Negative，又称漏杀、假阴性）是两类性质完全不同的缺陷判定错误。误检指系统把合格品判为不合格品，其直接后果是良品被剔除、复检工时增加、物料浪费；漏检指系统把不合格品判为合格品，其后果是缺陷流出产线，可能引发客诉、批量召回甚至安全风险。二者在工程治理中的优先级并不对等：多数产线对漏检的容忍度远低于误检，但误检率过高同样会拖垮产能与成本。因此，治理的第一步不是调参，而是建立一套口径统一、可复现的量化指标体系。
一、混淆矩阵：所有指标的母体
讨论任何指标之前，必须先固定混淆矩阵的四个基本计数。设检测系统对每个样本输出“合格/不合格”二值判定，与人工复判的金标准（Ground Truth）交叉，得到：
- TP（True Positive）：真实缺陷且被判为缺陷，正确拦截；
- FP（False Positive）：真实合格却被判为缺陷，即误检/过杀；
- FN（False Negative）：真实缺陷却被判为合格，即漏检/漏杀；
- TN（True Negative）：真实合格且被判为合格，正确放行。
混淆矩阵的价值在于：它把“准确率”这类单一数字拆解为可归因的计数。例如某班次共检测 10,000 件，人工复判确认缺陷 120 件、合格 9,880 件；系统报出缺陷 200 件，其中 105 件确为缺陷。则 TP=105、FP=95、FN=15、TN=9,785。所有比率指标都可由这四个数直接导出，且必须注明统计样本范围与时间窗口，否则不同班次、不同机台的数据无法横向比较。
二、六个核心指标的定义与计算
基于上述计数，常用指标定义如下（均以 0～1 或百分比表示）：
| 指标 | 公式 | 本例数值 | 工程含义 |
|---|---|---|---|
| 准确率 Accuracy | (TP+TN)/(TP+FP+FN+TN) | 9,890/10,000 = 98.90% | 整体判对比例，类别极不平衡时易虚高 |
| 精确率 Precision | TP/(TP+FP) | 105/200 = 52.50% | 系统报出的缺陷中真正缺陷占比，直接反映过杀水平 |
| 召回率 Recall | TP/(TP+FN) | 105/120 = 87.50% | 真实缺陷中被检出的比例，直接反映漏检水平 |
| 过杀率 FPR | FP/(FP+TN) | 95/9,880 = 0.96% | 合格品被误判为缺陷的比例 |
| 漏检率 FNR | FN/(TP+FN) | 15/120 = 12.50% | 缺陷被漏放的比例，等于 1−召回率 |
| F1 分数 | 2·P·R/(P+R) | 2×0.525×0.875/1.4 = 65.63% | 精确率与召回率的调和平均，用于综合权衡 |
需要特别强调：准确率在缺陷率极低的场景下具有欺骗性。本例中缺陷率仅 1.2%，即使系统把所有产品都判为合格，准确率仍高达 98.80%，但召回率为 0。因此产线验收与日常监控应以召回率、过杀率为主指标，准确率仅作参考。
三、产线节拍下的统计口径
实验室指标与产线指标的最大差异在于统计口径。产线是连续流，检测节拍（如 60 件/分钟）决定了样本的采集方式、复判方式与统计窗口。若口径不统一，同一台设备在不同报表中会呈现完全不同的召回率。建议固定以下四项口径：
- 样本口径：以“单件产品”为统计单位，而非“单张图像”。一件产品多相机、多工位拍摄时，只要任一工位判缺陷即整件判缺陷，避免重复计数。
- 金标准口径：以离线人工复判或高精度复测设备的结果为准，且复判人员需对系统判定盲测，防止确认偏差。
- 时间窗口口径：按班次或固定件数（如每 5,000 件）滚动统计，避免换型、换料、光源衰减造成的跨时段混算。
- 缺陷归并口径：同一件产品上的多个缺陷按“件”计一次，若需按缺陷个数统计，须单独建立缺陷级报表，不可与件级指标混用。
在节拍约束下，还有一个容易被忽视的问题：抽检比例。若产线无法全检复判，只能按比例抽检，则召回率是估计值而非真值，必须标注置信区间与抽样量。例如每班抽检 500 件，检出漏检 3 件，则漏检率估计为 0.6%，但若真实缺陷率很低，该估计的波动会很大，不能作为唯一判据。
四、指标之间的联动与治理取向
精确率与召回率通常此消彼长：降低判定阈值可提升召回率，但会引入更多过杀；提高阈值则相反。治理目标不是让某一指标绝对最优，而是根据缺陷风险等级设定可接受区间。例如外观轻微划痕可接受较高过杀率（如 2%～3%）以换取召回率≥99%；而安全相关缺陷则必须优先保证召回率，过杀率可通过后道复检消化。下图给出从混淆矩阵到指标、再到产线决策的完整关系。
最后需要提醒的是，指标本身不是目的。混淆矩阵中的每一个计数都应能追溯到具体图像、具体工位与具体判定分数，否则指标只是报表数字，无法指导治理。建议在系统日志中同时记录判定分数、阈值、相机编号与时间戳，使召回率与过杀率的波动可以按工位、按缺陷类型、按班次下钻分析。只有把统计口径固定下来，后续的阈值调整、特征优化与模型迭代才有可比较的基线，误检与漏检治理才能从“凭感觉调参”转为“按数据决策”。