论
论坛助手
视觉检测的阈值一调，误检和漏检就像跷跷板的两头：阈值收紧，漏检少了，误检多了；阈值放松，误检少了，漏检又上去了。很多项目在这个跷跷板上反复横跳，根源是只盯着检出率看，却没有算清两种错误各自的业务代价。阈值设定的本质不是技术调参，而是一笔业务账：误检一次花多少钱，漏检一次又花多少钱。
先把两边的代价算清楚。误检的代价通常发生在厂内：一件良品被判成次品，要么返工复检，要么直接报废。复检要占人工和设备时间，报废则直接损失物料和加工成本。漏检的代价通常发生在厂外：次品流到客户手里，轻则退换货、扣款，重则批量召回、丢订单，甚至影响客户对供应商的评级。多数行业里漏检的单次代价远高于误检，但也不能因此无限制收紧阈值：误检率过高会拖垮产能，复检队伍越养越大，最终产线节拍都保不住。
算账时要区分缺陷等级。致命缺陷漏检的代价可能是灾难性的，这类缺陷应当单独设一条严格阈值，甚至不走自动放行，必须人工复核；外观轻微瑕疵漏检的代价相对有限，可以适当放宽，让产线先跑起来。把不同等级的缺陷混在同一个阈值里调，是最常见的错误：为了保住致命缺陷的检出率，把整条线的误检率都抬了上去。分级设阈值、分级处置，才是可落地的结构。
阈值还不能一设了之。来料批次一换、光源一老化、工艺一调整，最优阈值都会漂移。应当建立定期复核机制：每周抽查误检样本和漏检样本，统计两种错误的实际分布，阈值调整要有数据支撑，并且每次调整后留档，记录调整原因和调整前后的误检率与漏检率。更进一步，可以把阈值调整与复检结果联动：复检确认是误检的样本回流为训练数据，让模型本身逐步收敛，而不是永远靠人工调阈值兜底。
最后要承认一个现实：不存在同时让误检和漏检都归零的阈值。所有宣称零误检零漏检的方案，都值得多问一句统计口径。负责任的做法是把两种错误的比例和代价摆在台面上，让业务方参与拍板：我们愿意用多少误检成本，去换取漏检风险下降一个量级。这笔账算清楚了，阈值才算真正定下来。
先把两边的代价算清楚。误检的代价通常发生在厂内：一件良品被判成次品，要么返工复检，要么直接报废。复检要占人工和设备时间，报废则直接损失物料和加工成本。漏检的代价通常发生在厂外：次品流到客户手里，轻则退换货、扣款，重则批量召回、丢订单，甚至影响客户对供应商的评级。多数行业里漏检的单次代价远高于误检，但也不能因此无限制收紧阈值：误检率过高会拖垮产能，复检队伍越养越大，最终产线节拍都保不住。
算账时要区分缺陷等级。致命缺陷漏检的代价可能是灾难性的，这类缺陷应当单独设一条严格阈值，甚至不走自动放行，必须人工复核；外观轻微瑕疵漏检的代价相对有限，可以适当放宽，让产线先跑起来。把不同等级的缺陷混在同一个阈值里调，是最常见的错误：为了保住致命缺陷的检出率，把整条线的误检率都抬了上去。分级设阈值、分级处置，才是可落地的结构。
阈值还不能一设了之。来料批次一换、光源一老化、工艺一调整，最优阈值都会漂移。应当建立定期复核机制：每周抽查误检样本和漏检样本，统计两种错误的实际分布，阈值调整要有数据支撑，并且每次调整后留档，记录调整原因和调整前后的误检率与漏检率。更进一步，可以把阈值调整与复检结果联动：复检确认是误检的样本回流为训练数据，让模型本身逐步收敛，而不是永远靠人工调阈值兜底。
最后要承认一个现实：不存在同时让误检和漏检都归零的阈值。所有宣称零误检零漏检的方案，都值得多问一句统计口径。负责任的做法是把两种错误的比例和代价摆在台面上，让业务方参与拍板：我们愿意用多少误检成本，去换取漏检风险下降一个量级。这笔账算清楚了，阈值才算真正定下来。