1. 误检漏检治理工程导入

在工业视觉领域，Cognex VisionPro 长期占据着中高端定位：它既不像智能相机那样把算法封装成黑盒，也不像纯开源库那样要求工程师从零搭建。VisionPro 提供的是"可拆解、可调参、可追溯"的工具链——从图像采集、预处理、定位、测量、检测到通信输出，每个环节都以独立工具（Tool）的形式暴露给工程师。这种定位决定了它的优势与代价：优势在于面对复杂工况时，工程师可以精确控制每一个处理环节；代价在于，任何一个环节的参数失配，都可能以"误检"或"漏检"的形式在最终结果中暴露出来。

因此，治理误检漏检，本质上不是"调一个参数"的问题，而是对整条视觉链路的系统性治理。本章作为导入，先厘清三个基础问题：VisionPro 在工业视觉中的定位意味着什么、误检与漏检如何定义与区分、治理工程的目标与整体方法论是什么。

VisionPro 的定位：工具链而非黑盒

理解 VisionPro 的定位，是理解误检漏检来源的前提。一套典型的 VisionPro 作业（Job）通常包含以下环节：图像采集（Acquisition）、图像预处理（如滤波、形态学）、定位工具（如 PatMax、CogFindCircle）、测量或检测工具（如 Caliper、Blob、CogID）、结果判定与通信输出。每个工具都有自己的输入图像、参数集和输出结果，工具之间通过图像和坐标数据串联。

这种结构的直接后果是：误差会沿链路传播和放大。例如，PatMax 定位偏移 0.5 像素，在下游的卡尺测量中可能被放大为 0.02 mm 的尺寸偏差；如果定位工具在低对比度区域偶尔匹配到错误位置，下游所有基于该坐标的测量都会整体偏移，表现为间歇性误检。反过来，如果预处理过度平滑，边缘被削弱，卡尺可能找不到边缘而输出无效值，表现为漏检。可见，误检漏检很少是单一工具"坏了"，更多是链路中某个环节的输入质量、参数设置或判定阈值与当前工况不匹配。

误检与漏检的定义与区分

在工业视觉中，检测结果只有两种：合格（Pass）与不合格（Fail）。但真实状态与判定结果组合后，会出现四种情况，其中两种是错误：

• 误检（False Positive，假阳性）：产品实际合格，但系统判定为不合格。表现为"良品被误剔"。
• 漏检（False Negative，假阴性）：产品实际不合格，但系统判定为合格。表现为"不良品流出"。

这两类错误的工程后果截然不同。误检直接造成良品报废、产线停机、人工复检成本上升，属于"看得见的损失"；漏检则可能让缺陷件流入下游装配或客户端，引发客诉、召回甚至安全事故，属于"看不见但更危险"的损失。因此，治理工程不能只追求"把误检降下来"，也不能只追求"把漏检降下来"，而必须在两者之间找到与产品风险等级相匹配的平衡点。

需要特别强调的是：误检率与漏检率在绝大多数情况下是此消彼长的。把判定阈值调严，漏检减少但误检增加；把阈值调松，误检减少但漏检增加。治理工程的核心任务，不是消灭某一类错误，而是在给定工况波动范围内，让两类错误都稳定落在可接受区间内。

治理工程的目标与整体方法论

基于上述定位与定义，误检漏检治理工程的目标可以概括为三句话：定位根因、量化指标、稳定复现。定位根因，是指不能停留在"这个工位老误检"的层面，而要追到具体是采集、预处理、定位、检测还是判定环节出了问题；量化指标，是指用误检率、漏检率、重复性（GR&R）等可测量数据描述问题，而不是凭感觉；稳定复现，是指治理后的方案要在不同批次、不同光照、不同来料状态下都能保持稳定，而不是"调完当天好、第二天又坏"。

整体方法论上，建议采用"链路分段 + 数据驱动 + 分层治理"的思路。链路分段，是把视觉作业按采集、预处理、定位、检测、判定拆开，逐段评估输入输出质量；数据驱动，是用样本图像、测量数据、判定记录来定位问题，而不是靠猜测；分层治理，是先解决采集与光源等物理层问题，再解决算法参数层问题，最后才考虑判定逻辑与阈值层问题。顺序颠倒，往往会导致"在错误的图像上反复调参数"。

一个用于建立直觉的示例

假设某金属件边缘尺寸检测工位，规格为 10.00 ± 0.05 mm。使用 VisionPro 的 Caliper 工具测量边缘位置，连续采集 100 件良品，测得尺寸分布为均值 10.002 mm、标准差 0.008 mm。若判定限值设为 9.95～10.05 mm，则良品几乎不会触发误检；但若来料中存在真实尺寸为 10.048 mm 的临界不良品，由于测量波动，部分样本可能被读为 10.045 mm 而判为合格，形成漏检。

此时若把上限收紧到 10.04 mm，漏检减少，但良品中原本 10.045 mm 附近的样本会开始触发误检。这个例子说明：误检与漏检的平衡点，取决于测量系统的重复性与真实不良品的分布位置。治理工程要做的，是先通过重复性测试（同一件反复测量 30 次，观察极差与标准差）确认测量系统本身是否足够稳定，再结合不良品的实际分布来设定限值，而不是凭经验拍一个数字。