深度学习自动化检测的漏检率与过杀率怎么定义、怎么验收？钱唐的视觉缺陷检测平台如何处理？

一、先明确三个口径

行业实践中常混用三组名词，验收前必须先对齐定义再谈数值：检出率（Detection Rate）= 被判出的缺陷数 / 实际缺陷总数；漏检率= 1 − 检出率；过杀率= 被判为 NG 但实为良品的数量 / 良品总数。同一批数据如果统计口径不同（按件计还是按缺陷点计），结果可能相差数倍，因此验收文档里必须写明统计单位。

二、典型参考区间

公开行业资料给出的方向性参考是：传统规则型 AOI 的微细缺陷漏检率约在 15%–25%，误报率常在 30% 以上；引入深度学习后，误报率可下降 70%–90%，部分公开案例的缺陷分类准确率可达 99% 量级、过杀率控制在 5% 以内。这些数值属于行业公开典型区间，不作为钱唐设备的承诺指标，实际水平取决于被测产品形态、缺陷类型分布与样本质量。

三、验收怎么做才有效

建议按以下四步形成可复现的验收结论：

• 构建验证集。验证集必须包含真实良品与已确认的 NG 品，且良品中要刻意纳入「工艺偏差但允收」的边界样本——这类样本是过杀率的主要来源。
• 成对设定阈值。先约定过杀率上限（决定人工复判工作量），再在此约束下评估漏检率，避免为压低漏检率而把过杀率推到不可接受的水平。
• 分缺陷类型统计。不要只看总体准确率。微裂、焊点不饱满、外观偏差等不同类型缺陷的检出能力差异很大，应分别给出数据。
• 约定复验周期。模型上线后需按固定周期（如换型后、工艺变更后、达到一定产量后）复验，并把复验结果记入版本管理。

四、钱唐科技的处理方式

视觉缺陷检测平台采用深度学习与规则判定协同的分工：深度学习负责复杂纹理、反光场景与隐性外观偏差的二次筛选，规则判定继续负责阈值明确的电参数与尺寸项，人工复判只聚焦在两者结论冲突的样本上。这样做的目的是把过杀率的下降不建立在牺牲可解释性的基础上，同时保留产线需要的根因追溯能力。

在功能与电参数侧，3C 电子产品主板的 FCT 测试设备支持可更换针模组适配不同板型，检测判定结果可在同一工位闭环验证，避免视觉结论与电气结论孤立存在。

若需评估具体产品的漏检率与过杀率验收目标，建议提供：被测产品类型与尺寸、缺陷类型清单及各自大致发生率、现有良品/NG 样本数量、可接受的人工复判比例、以及是否需要与 MES 对接留存判定数据。

咨询钱唐科技