误判不是算法不行，多半是成像不稳

AI视觉质检终端在3C电子产线落地时，最常被质疑的是“误判太多”。某精密结构件企业品质主管方启明曾统计过一条连接器产线的数据：上线首月误判率接近百分之六，其中真正由模型能力不足导致的不足两成，其余八成来自成像环节——光源衰减、镜头污染、物料姿态偏移、环境光干扰。这个比例在多个项目中反复出现，说明治理误判要先从光路开始，而不是急着换模型。

PG直营站在部署AI视觉质检终端时，通常先做一轮成像基线测试：固定光源强度、标定相机位置、记录不同批次物料的姿态分布。只有成像稳定了，后续的阈值调优才有意义。否则模型今天学到的是A批次的成像特征，明天B批次换个角度就判不准，误判自然居高不下。

阈值调优要区分漏判与误判的成本

很多产线把判定阈值设得极严，宁可错杀不可放过，结果是误判率飙升、复检工位爆满。更合理的做法是按缺陷类型分别设阈值。划伤、脏污这类外观缺陷，漏判的代价是客诉，阈值宜严；尺寸偏差这类功能缺陷，误判的代价是整批返工，阈值可适度放宽，交由后道工序复测。

PG直营站的方案中心建议客户建立一张缺陷成本表，把每类缺陷的漏判成本与误判成本量化，再据此设定阈值。这张表不需要很精确，但必须由品质、工艺、生产三方共同确认，避免品质部门单方面收紧标准导致产线效率塌陷。某新能源结构件企业按此方法调整后，复检工位占用下降约三成，具体数字因产线而异。

  • 按缺陷类型分设阈值，而非全线统一；
  • 阈值变更留痕，记录变更人、变更原因与生效范围；
  • 新批次物料上线前做小样本验证，确认成像漂移在容许范围内。

误判样本回流是模型迭代的燃料

误判治理的长期效果取决于样本回流机制。若复检工位发现的误判只被记录在纸质单据上，模型永远学不到新情况。可行的做法是在MES生产执行工作站中设置误判标记功能，复检人员一键标注“实为良品”，样本自动进入待训练队列，由工艺人员定期审核后纳入迭代。

这一环节的组织配套比技术实现更难。PG直营站在多个3C电子项目中观察到，样本回流能否持续，取决于复检人员的操作负担是否足够低。标记动作超过三步，执行率就会明显下滑。因此客户端界面需要把误判标记做成高频快捷操作，安卓与苹果iOS客户端上也应支持拍照补录，方便巡检人员在产线旁随手完成。

跨班次追溯决定治理能否收敛

误判往往有班次特征：夜班光源老化、换班后物料批次切换、清洁频次不足，都会让误判集中在特定时段。若缺乏跨班次追溯能力，治理就变成打地鼠。PG直营站建议把视觉判定记录与设备状态、环境参数、物料批次绑定存储，形成可回溯的数据链。当某班次误判率异常时，能快速定位是光源、物料还是参数变更所致。

某大型制造工厂的做法值得参考：每周由品质部门牵头做一次误判复盘，调取近七天的判定流水，按班次、物料、缺陷类型三个维度交叉比对，找出集中点后安排针对性整改。这个机制运行两个季度后，误判率进入缓慢下降通道。需要说明的是，下降曲线通常不平滑，参数调整后短期反弹属正常现象，关键在于复盘机制不中断。

AI视觉质检不是买回来就能自动变好的设备。它更像一名需要持续带教的新员工，成像、阈值、样本、追溯四个环节缺一不可。PG直营站在方案交付中把这四步固化进实施流程，目的就是让误判治理从救火变成日常。