1. 误检漏检治理工程导入
在一条已经量产的装配或检测线上，KEYENCE XG-X 系列视觉系统通常不是孤立存在的“相机”，而是嵌在 PLC、机器人、剔除机构与 MES 之间的一个判定节点。它接收触发信号，采集图像，运行已下装的检测程序，输出 OK/NG 结果与测量数据，再由下游执行分选、报警或数据上传。理解这一定位，是讨论误检漏检的前提：XG-X 的每一次输出，都会直接改变产线的物料流向，因此它的判定错误不是“软件报错”，而是真实的产能损失或质量风险。
误检与漏检是两类方向相反的错误。误检（过杀、False Reject）指产品实际合格，系统却判为 NG；漏检（漏杀、False Accept）指产品实际不合格，系统却判为 OK。二者在产线上的后果并不对称：误检主要造成良品报废、复判工时增加和直通率下降；漏检则可能让不良品流入下道工序甚至客户端，带来返工、索赔与安全风险。因此治理工程不能只追求“把不良抓出来”，也不能只追求“少误杀”，而要在两者之间建立可量化、可追溯的平衡点。
本节核心判断：误检与漏检不是“调参调得好不好”的问题，而是由成像、算法、判定阈值、机械重复性、来料波动共同决定的系统性问题。治理工程的目标，是把不可控的“偶发误判”转化为可测量、可定位、可收敛的工程指标。
要建立衡量指标，先要明确判定基准。假设某工位在一个班次内共检测 N 件产品，其中真实不良数为 D，真实良品数为 N−D。系统判 NG 的总数为 R，其中真正抓到的不良数为 TP（True Positive），被误杀的良品数为 FP（False Positive）；系统判 OK 的总数为 N−R，其中被漏掉的不良数为 FN（False Negative），真正合格的良品数为 TN（True Negative）。由此可定义：
- 漏检率 = FN / D，反映“该抓的没抓到”的比例，是质量侧最敏感的指标；
- 误检率 = FP / (N−D)，反映“不该杀的杀了”的比例，是效率侧最敏感的指标；
- 直通率 = TN / (N−D)，与误检率互补，直接对应产线可动率；
- 检出率（召回率） = TP / D，与漏检率互补，用于评估检测能力上限。
这些指标必须绑定统计口径：统计周期（班次/日/周）、样本范围（全检还是抽检）、不良定义（由谁、按什么标准复核）、以及复判方式（人工复判还是离线二次检测）。口径不统一，误检率与漏检率就会变成互相矛盾的数字，治理也无从下手。
从工程角度看，误检与漏检的根因往往落在四个层面。第一是成像层：光源角度、亮度、频闪同步、镜头景深、工件表面反光或油污，都会让同一工件的图像灰度分布发生漂移，使原本设定的阈值失效。第二是算法与判定层：边缘位置、面积、灰度均值、Blob 数量等特征量对来料波动敏感，阈值余量不足时，良品会越界成 NG，不良品也可能落入 OK 区间。第三是机械与节拍层：工件定位偏移、夹具磨损、传送带抖动会造成图像位置变化，若搜索区域或定位补偿不足，就会产生随机误判。第四是数据与追溯层：没有保存 NG 图像、判定分数和对应工件 ID，就无法判断一次误检是偶发还是系统性偏移。
治理工程的目标可以概括为三句话：把误检率与漏检率压到可接受区间；把误判从“随机事件”变成“可定位事件”；把治理动作从“现场调参”变成“有数据依据的闭环”。衡量指标建议至少包含四项：漏检率、误检率、直通率、以及复判一致率（人工复判结果与系统判定一致的比例）。前两项反映能力，第三项反映效率，第四项反映判定稳定性。对于安全件或关键尺寸，还应单独设定漏检率上限，例如要求漏检率不高于 0.1%，而误检率可放宽到 1%～2%，用效率换取质量余量；对于外观件，则可能反过来，优先控制误检率以保障直通率。
示例口径（假设）：某工位一个班次检测 5000 件，人工复核确认真实不良 50 件。系统判 NG 共 120 件，其中 45 件为真实不良、75 件为良品误杀；另有 5 件不良被判 OK。则 TP=45、FN=5、FP=75、TN=4925。漏检率 = 5/50 = 10%，误检率 = 75/4950 ≈ 1.52%，直通率 = 4925/4950 ≈ 99.49%，检出率 = 45/50 = 90%。这组数字说明：当前主要矛盾是漏检偏高，同时误检也消耗了约 1.5% 的产能，治理应优先提升检出能力，再兼顾误检收敛。
需要强调的是，误检率与漏检率并非独立可调。在特征分布重叠的区域，收紧阈值会降低漏检但抬高误检，放宽阈值则相反。因此治理工程的第一步不是立刻改参数，而是先建立基线：连续采集至少一个完整班次或一个生产批次的判定数据，记录每件产品的判定结果、关键特征量、NG 图像与人工复核结论，形成可统计的样本集。只有基线稳定，后续的阈值调整、光源优化、算法更换才有可比性。
在组织上，建议把治理工作拆成“观测—定位—改善—验证”四个可重复的环节，但不要把它当成一次性项目。观测阶段输出指标基线与 TOP 误判模式；定位阶段把误判归因到成像、算法、机械或来料中的某一类；改善阶段只改动一个变量并记录前后指标；验证阶段用独立批次复测，确认漏检率与误检率没有此消彼长地恶化。XG-X 本身提供了判定分数、NG 图像保存与通信输出能力，这些数据正是闭环治理的输入。把每一次误判都当作一条可分析的数据记录，而不是一次需要现场“救火”的异常，才是误检漏检治理工程真正的起点。