外观视觉验收记录里，漏检和误剔除为什么要分开

一套外观视觉系统“判断错了十次”，这句话仍不足以说明发生了什么。是没有识别出本来存在的缺陷，还是把原本合格的样本判成不合格？两种方向对后续复核提出的问题不同，验收记录应保留它们的区别，而不只给一个合并后的准确率。

在以检测缺陷为阳性的语境下，Cognex文档把无缺陷却被判断有缺陷称为假阳性，把实际有缺陷却未识别出来称为假阴性。[1] 因此，使用“漏检”或“误剔除”等业务词时，应先在项目资料中写清正负类别的定义，避免不同成员拿同一个词描述相反情况。系统判断为不合格，也不等于已经证明后续执行机构完成了实体剔除。

让每次错误能够回到样本

一条有用的错误记录，至少需要能找到原始图像、预期类别、系统结果和所用版本。若只保存异常数量，之后调整配置再测试，就很难判断原来的问题是否仍然存在。样本标注本身有争议时，也应保留争议与复核状态，不宜先把它当成可靠答案，再用来评价系统。

不要只收集容易通过的图片

Cognex的TestRun说明介绍了把已知质量的好、坏图像输入视觉系统，并与预期结果比较的图像测试；同时还介绍了关注相机位置、焦点、光照变化的硬件测试。[2] 这提示读者，保存样本时不只要留最终判断，还要留采集情境。否则，同一产品在不同成像条件下的差异，会在文件夹中失去解释。

比如可以在样本索引中记录采集班次、光照条件说明和配置版本，再由项目负责人确定哪些条件应纳入验证范围。这是本文的资料整理建议，不是官方统一验收清单，也不代表只要覆盖这些字段就足以证明所有工况可靠。实际样本设计和验收标准仍需专业团队确定。

把更新前后的证据并排保存

某次修改降低了一类错误，并不能自动推出另一类错误也同时减少。更新记录中可分别列出两种错误方向的变化，保留对应样本清单，并说明测试数据范围是否相同。如果两次测试换了样本集，就应明确标注，避免把数据集变化当作算法进步。

清楚的视觉验收资料，应能解释一张图为何被归类、系统当时怎样判断，以及采集条件有什么变化。本文不提供生产线安全参数或质量放行结论；它关注的是让复核有证据可循，而不是用一个漂亮总分掩盖错误的具体方向。

参考来源：[1] Cognex Deep Learning Help 2.1.0.67，False Positive and False Negative Results；[2] In-Sight Explorer Help 5.9.2.7，TestRun。