一、两个指标，两种代价

AI视觉质检终端上线后，工厂最常问的问题是“准不准”。但“准”这个字太笼统，拆开来看其实是误检率与漏检率两条线。误检是把良品判成不良品，代价是复判人力与物料浪费；漏检是把不良品放行，代价是客诉与返修成本。PG直营站在项目交付中坚持把两个指标分开统计，因为它们的成因和优化手段完全不同。

误检率偏高，通常来自成像稳定性不足、阈值设置过严或样本覆盖不均衡。漏检率偏高，则更多与缺陷特征细微、光源角度不匹配、模型对罕见缺陷学习不足有关。PG直营站的AI视觉质检终端在部署阶段会先做一轮成像基线测试，把光源、焦距、触发时序固定下来，再谈模型调优，避免把成像问题误判成算法问题。

二、数据背后的权衡关系

两类指标存在天然的此消彼长。把判定阈值调严，漏检下降但误检上升；调松则相反。PG直营站的做法不是追求单一指标的极致，而是根据缺陷后果分级设定策略：对安全相关、返修成本高的缺陷类型，优先压漏检；对外观轻微瑕疵类，适当容忍误检以换取产线节拍稳定。

  • 缺陷分级：按后果严重度将缺陷分为关键、主要、次要三类，分别设定判定阈值。
  • 复判机制：误检品进入人工复判工位，复判结果回流形成难例样本。
  • 节拍匹配：质检终端处理速度与产线节拍对齐，避免因判定耗时造成堆积。

这套策略的关键在于数据回流。PG直营站的终端会把复判结论自动归档，按缺陷类型统计误检分布，定期触发模型迭代。没有回流机制，阈值调优就只能靠经验拍脑袋。

三、样本结构决定指标上限

很多工厂在验收阶段指标很好，量产一段时间后开始波动，问题往往出在样本结构。验收样本通常经过挑选，缺陷类型集中、成像条件理想；量产样本则包含换型、换批次、环境光变化带来的分布偏移。PG直营站在方案中建议客户按批次留存图像数据，定期做分布对比，发现偏移及时补充训练样本。

另一个容易被忽视的点是缺陷定义的统一。同一道划痕，不同质检员可能给出不同判定，模型学到的边界自然模糊。PG直营站协助客户先固化缺陷判定标准，再进入标注环节，从源头减少标签噪声。这一步做扎实，后续指标才有讨论的基础。

四、持续优化的节奏建议

AI视觉质检不是一次部署就结束的工程。PG直营站建议按“周看误检、月看漏检、季度看分布”的节奏推进：每周复盘误检集中的缺陷类型，每月抽查漏检风险较高的批次，每季度做一次样本分布与模型表现的对比。指标波动本身不可怕，可怕的是没有解释波动的数据链路。把数据链路建起来，质检终端才真正成为产线质量防线的组成部分。