3. 误检漏检根因分类框架

在VisionPro项目中，误检（把良品判为NG）和漏检（把不良品判为OK）往往不是单一原因造成的。现场最常见的困境是：工程师看到一张“看起来很清楚”的图像，却无法解释为什么同一批产品中有的过检、有的漏检。要解决这个问题，必须把“图像—算法—系统—现场”作为一个整体来拆解。本节建立一个六维根因分类框架，把误检漏检的可能来源划分为成像、算法、标定、机械、环境、产品变异六个维度，并给出每个维度的典型症状、可观测证据和排查入口。

一、六维框架的整体结构

六个维度不是并列的清单，而是有因果层次的。成像和算法直接决定“图像里有没有可判别的特征”；标定决定“像素坐标能否正确映射到物理量”；机械和环境决定“每次拍照时，产品与相机、光源的相对状态是否一致”；产品变异则决定“被检对象本身是否落在设计假设之内”。前四维属于系统能力，后两维属于现场扰动。下图给出六维之间的输入输出关系与典型误检漏检的传导路径。

二、六个维度的典型症状与可观测证据

成像维度的核心问题是“图像本身是否具备可判别性”。典型症状包括：同一位置的产品在图像中忽明忽暗、边缘发虚、反光区域随角度变化。可观测证据是连续采集20张同一标准件的图像，计算ROI内的灰度均值与标准差；若均值波动超过±5个灰度级，或边缘梯度值下降超过20%，说明成像不稳定。常见根因是光源老化、频闪与曝光不同步、镜头污染或景深不足。

算法维度的问题通常表现为“参数对当前样本过拟合”。例如模板匹配的接受阈值设为0.85，但实际产品因表面纹理变化导致匹配分数在0.80~0.90之间波动，就会产生间歇性漏检。可观测证据是导出VisionPro的匹配分数、对比度、边缘覆盖率等中间结果，观察良品与不良品的分数分布是否重叠。若重叠区域超过10%，说明算法判别力不足，需要调整特征或增加预处理。

标定维度的误检漏检常出现在尺寸测量、定位引导类应用。典型症状是测量值整体偏移或随视野位置变化。可观测证据是用标准量块或标定板复测，检查像素当量是否漂移、畸变校正是否失效。例如某项目像素当量标称为0.05 mm/pixel，复测发现边缘区域实际为0.052 mm/pixel，导致边缘产品尺寸系统性偏大0.04 mm，接近公差上限时就会误判。

机械维度的问题集中在“重复定位精度”。可观测证据是连续触发拍照100次，记录产品在图像中的质心坐标；若X/Y方向标准差超过0.3 pixel，或角度波动超过0.5°，说明机械定位或传送带同步存在隐患。常见根因包括夹具磨损、传送带打滑、触发传感器安装松动。

环境维度的影响往往具有时间相关性。例如白天车间侧窗自然光变化导致图像背景灰度漂移，或空调出风口导致产品表面温度变化引起反光特性改变。可观测证据是记录不同时段的图像背景灰度与产品对比度，若与时间呈现明显相关性，应优先排查环境光与温漂。

产品变异维度是最容易被忽视的。来料批次间的色差、尺寸公差、表面粗糙度差异，可能使原本稳定的算法失效。可观测证据是收集连续5个批次的良品图像，计算特征分布；若批次间均值偏移超过算法阈值的30%，说明产品变异已超出设计假设，需要放宽阈值或增加自适应预处理。

三、从症状到根因的排查路径

实际排查时，不建议六个维度同时展开，而应按照“先稳定、后精度、再判别”的顺序推进。第一步，用同一标准件连续采集，确认成像与机械的重复性；第二步，用标准量块或标定板确认标定未漂移；第三步，收集良品与不良品样本，观察算法中间量的分布重叠情况；第四步，记录环境参数与批次信息，判断是否存在时间或批次相关性。每一步都应有明确的量化判据，而不是凭感觉“看起来没问题”。

四、六维框架的使用要点

这个框架的价值在于把“误检漏检”从一个笼统的结果，拆解为可观测、可量化、可追溯的六个方向。使用时注意三点：第一，每个维度都要有对应的观测数据，不能只靠经验判断；第二，根因往往跨维度耦合，例如机械振动会导致成像模糊，成像模糊又会被误认为算法阈值问题，因此要按“成像→机械→环境→标定→算法→产品变异”的顺序逐层排除；第三，所有判据应结合具体项目的公差要求和误检漏检成本来设定，不能直接套用固定数值。只有把六维框架与现场数据结合，才能真正把误检漏检治理从“救火”变成“可预防”。