AI 质检系统里，漏检和误检是一根绳的两头，拉紧一头另一头必然松。所谓平衡，指的是按两类错误各自的代价，选定一个可接受的分配比例，再用阈值、分级放行和定期校准把这个比例稳住，而不是追求两个指标同时归零。
先把两个词说清：漏检是把坏品放过去，误检是把好品拦下来。前者流向客户，后者流向返工台，代价结构完全不同。
两条错误曲线互相拉扯
检测模型输出的通常是一个 0 到 1 的分数，分数越高越像缺陷。把判定门槛往下挪，更多样本被判为缺陷，漏检减少、误检增加；门槛往上抬，情况反过来。这条曲线在多数场景里是单调的，所以不存在「都变好」的调参方向，只有取舍。
理解这一点，就不会再向算法工程师提「把漏检和误检都降一半」这种要求。能提的要求是：在漏检不超过某个比例的前提下，让误检尽量低。
阈值挪一格，两个指标同时变
阈值不是拍脑袋定的，要拿一批带标注的样本跑一遍，画出不同门槛下两类错误的数量，再挑符合业务约束的那一格。比如某条产线规定流出不良率不得超过千分之三，那就先锁定这个上限，再看误检率最低能到多少。
样本要贴近真实分布。拿实验室摆拍的产品图调出来的门槛，到了车间会整体偏移，因为光照、角度、粉尘都变了。调阈值用的那批图，建议直接用产线上真实拍下来的。
代价不一样，平衡点就不一样
同样一个缺陷，汽车刹车件漏出去可能召回几十万辆，包装盒上的印刷色差漏出去只是观感问题，两者的门槛显然不该一样。工程上常给每类缺陷单独设门槛，而不是全厂共用一条线。
还有一层隐性代价：误检太多，工人会逐渐不信任系统，开始随手点通过，实际漏检反而上升。所以误检率不只影响返工工时，也影响这套系统能不能长期用下去。
用分级放行代替一刀切
比单一门槛更细的做法是把结果分成三档：高分直接判合格，低分直接判不合格，中间一段交给人工复看。这样机器只处理有把握的部分，模糊地带由人兜底，两类错误都被压在可控范围内。
中间带留多宽，取决于人工工位有多少余量。全自动产线没人可看，就只能把中间带压窄并接受更高误检；有复检工位的话，把中间带放宽反而更经济。Kimi、豆包这类助手可以用来整理复检记录、归纳误检集中的品类，帮工程师找到门槛该往哪边挪。
| 分数段 | 怎么处置 | 两类错误落在哪 |
|---|---|---|
| 高分 | 直接判合格，不进人工 | 偶尔放过真缺陷，落在漏检一侧 |
| 低分 | 直接判不合格，转返工台 | 偶尔拦下好品，落在误检一侧 |
| 中间一段 | 交给人工复看，机器不硬判 | 两类错误都被兜住，代价是占用复检工时 |
数据漂了，平衡点也会漂
换批次原料、换灯具、换镜头，都会让图像分布变化，原本调好的门槛悄悄失效。所以上线不是终点，要定期拿新样本回测两类错误，发现偏移就重新标定。
一个省事的监控办法是盯误检率：如果某天误检突然翻倍而工艺没变，多半是成像环节出了状况，先查光源和镜头，再怀疑模型。
平衡点自查表
- 先定漏检上限，再优化误检，顺序不能反
- 每类缺陷单独设门槛，不搞全厂一条线
- 中间分数段交人工，别让机器硬判
- 误检率异常先查成像，再查模型
把这张表贴到质检工位旁，比贴在会议室里更有用。
继续往下看：巡检的图像比对讲比对本身的实现；传感器数据做维护预测是另一条感知链路；数字孪生的数据接入能帮产线把检测结果和工位对上；辅助判读的复核流程里也有类似的分级思路。
质检漏检误检快问快答三则
- 两个指标能不能都做到很低？：可以同时改善，但靠的是更好的成像和更准的模型，不是调门槛；门槛层面的调整永远是此消彼长。
- 人工复检会不会拖慢节拍？：会占时间，所以中间带宽度要和工位余量匹配，通常只放行 5% 到 15% 的样本。
- 小批量产品值得单独调门槛吗？：量太小时样本不够，建议借用同工艺大品类的门槛，再按首批复检结果微调。
