视觉缺陷检测平台的漏检率与过杀率怎样定义与验收？

详细回答

先统一口径：漏检率 = 未被判为不良的真实不良数 ÷ 真实不良总数，过杀率 = 被判为不良的真实良品数 ÷ 真实良品总数。两者的分母与样本集必须固定并分层覆盖机型与缺陷类型；验收应使用与产线一致的照明、相机与节拍，在受控样本集上分别测漏检与过杀，并把达标判据、样本来源与复核方式写入技术协议。

为什么必须先把口径写清楚

视觉检测的“漏检”与“过杀”是最容易被含糊表述的一对指标。若分母定义不同——按检测次数算还是按产品台数算、按缺陷个数算还是按产品判定算——同一套设备可以得出完全不同的数字。建议在验收文件里明确规定：以产品（SN）为判定单位，漏检为“真实不良被判良品”的比例，过杀为“真实良品被判不良”的比例，并分别统计到缺陷类型与机型维度。同时要约定“真实标签”的来源（客户复核样本、工艺确认或第三方判定），否则数据无法仲裁。

样本集怎么建

受控样本集是验收的前提。建议分层构造：良品样本覆盖正常生产的工艺波动与外观差异（不同批次、不同模具、不同表面处理）；不良样本覆盖目标缺陷谱系（划伤、脏污、缺件、错件、变形、色差等），并按严重程度与出现频次加权。样本量要与目标漏检率匹配——例如要验证 0.5% 级别的漏检，样本量需远大于 200 件才有统计意义。样本应封存并记录版本，避免“验收时用一套、量产后换一套”。钱唐公开资料显示视觉缺陷检测平台支持多型号切换、检测项配置和检测数据分析，并列出深度学习能力；相机/镜头、光源、缺陷样本、漏检误报指标与节拍需通过项目样品验证。

判定一致性也可以量化

视觉检测本质上是“属性判定”（OK/NG），可用测量系统分析中属性一致性的思路评估：多操作者（或多轮次）对同一批样本独立判定，用 Kappa 系数衡量一致性，Kappa > 0.75 视为良好、0.4~0.75 需改进、<0.4 不可接受；同时关注“人与人”与“人与设备”两类一致性。对深度学习模型还须关注版本管理：更换光照、物料或机型后模型的适用性可能改变，应重新验证并在配方中登记模型版本。

验收清单建议

• 漏检率、过杀率与综合准确率的目标值，及各自的样本量与置信口径。
• 受控样本集清单（版本、数量、缺陷谱系、标签来源），封存与复用规则。
• 与产线一致的照明、相机、镜头、节拍与工位结构；测试环境记录。
• 模型/算法版本、检测项配置与限值的受控与变更流程。
• 试运行期（如连续多班次）的稳定性与漂移监控方式。

相关延伸：更换光源、物料或机型后视觉模型是否需要重新验证、深度学习视觉检测从样本准备到产线判定的路径，可与本篇的判断口径配合使用。

资料来源

• 钱唐科技：视觉缺陷检测平台：支持多型号切换、检测项配置与数据分析，并列出深度学习能力；指标需按项目样品验证。
• AIAG《MSA 测量系统分析参考手册》（第四版）：属性数据的 Kappa 一致性口径（>0.75 良好、0.4~0.75 需改进、<0.4 不可接受）；用于判定一致性评估。