4. 误检漏检根因分类方法

在 Teledyne 视觉检测系统中，误检（把良品判为不良）与漏检（把不良判为良品）往往不是单一原因造成的，而是多个维度叠加的结果。若只凭经验“换镜头、调阈值、重训模型”，很容易陷入反复试错。根因分类方法的核心，是把所有可能原因按物理与逻辑层次组织成一棵根因树，再结合发生概率、影响程度和验证成本确定排查优先级，使排查从“猜”变成“按路径收敛”。

一、七个根因维度与典型表现

根因树的第一层固定为七个维度，它们覆盖了从光到电、从硬件到软件、从现场到工艺的全部链路：

• 光学：镜头污染、光圈漂移、光源衰减、滤光片偏移、景深不足、反光/眩光。典型表现为对比度下降、边缘模糊、局部过曝。
• 机械：相机松动、支架振动、传送带抖动、工件定位偏移、镜头对焦环位移。典型表现为图像整体位移、周期性模糊、ROI 偏移。
• 电气：触发信号抖动、编码器丢脉冲、线缆接触不良、电源纹波、接地干扰。典型表现为丢帧、图像撕裂、触发相位漂移。
• 算法：阈值过松/过紧、模板老化、特征漂移、分类边界不合理、后处理逻辑冲突。典型表现为边界样本误判、同类缺陷漏检。
• 样本：训练集覆盖不足、标注错误、类别不平衡、缺陷样本过少。典型表现为新缺陷类型漏检、罕见缺陷无法识别。
• 环境：环境光变化、温度漂移、粉尘、湿度、电磁干扰。典型表现为昼夜差异、开机初期不稳定、季节性波动。
• 工艺波动：来料批次差异、表面处理变化、装配公差、工艺参数漂移。典型表现为某批次集中误检、缺陷形态渐变。

这七个维度并非孤立，而是通过“图像质量—特征表达—判定结果”这条链路相互影响。因此根因树不仅要列出原因，还要标出它们的作用路径。

二、根因树的构建方法

构建根因树时，建议采用“现象—维度—子因—可观测证据”的四层结构。以“某批次产品边缘缺陷漏检率升高”为例：

1. 现象层：漏检率从 0.3% 升至 2.1%，集中在边缘区域。
2. 维度层：优先怀疑光学（边缘照度不足）、机械（工件偏移导致边缘出画）、算法（边缘特征权重低）。
3. 子因层：光学→环形光源外圈衰减；机械→定位销磨损；算法→边缘 ROI 裁剪过紧。
4. 证据层：调取同批次图像，测量边缘灰度均值、定位偏差像素数、ROI 覆盖范围。

每一层都要能对应到可采集的数据或可执行的检查动作，否则该分支应标记为“待验证”，而不是直接下结论。

三、排查优先级的确定原则

优先级不是按维度顺序排列，而是按以下三个因子综合打分：

• 发生概率 P：该原因在历史故障库中出现的频率，或当前证据的支持强度。
• 影响程度 I：一旦成立，对误检/漏检率的贡献大小，可用“受影响工位数×缺陷类型数”估算。
• 验证成本 C：复现与确认所需的时间、停机损失、是否需要拆机或重训。

推荐优先级得分 S = (P × I) / C，S 越大越先排查。例如光学清洁的 P 高、I 中、C 低，通常排第一；模型重训的 P 中、I 高、C 高，通常排后。这样可避免一上来就重训模型，浪费大量时间却忽略镜头污染。

四、根因排查记录表示例

为了让根因树可追溯，建议使用统一记录表。以下为可直接参考的字段示例（数据为教学假设）：

五、从根因树到治理闭环

根因树的价值不止于“找到原因”，更在于把每次排查结果回写到树中，形成故障知识库。当同一子因反复出现时，应升级为预防措施：光学衰减→建立光源亮度点检；定位销磨损→纳入定期更换计划；样本缺失→建立新缺陷入库流程。这样，误检漏检治理就从被动救火转为主动收敛，根因树也随之不断生长、越来越贴合实际产线。