# 视觉检测准确率怎么看：漏检、误检与样本量需要一起说明 | 澄序工业 原文：/articles/vision-case-review/ 工业智能 · 技术与实践 # 视觉检测准确率怎么看：漏检、误检与样本量需要一起说明 视觉案例应分别说明缺陷样本量、漏检、合格品误判和运行节拍。准确率必须连同测试集与判定口径阅读，不能单独代表质量风险。 质量检测 [技术文章](/resources/) / [案例深读](/articles/cases/) 澄序工业网站内容整理内容整理：2026 年 9 月 10 日约 3 分钟 技术解读 · 公开资料解读，配图为场景示意。 ## 本文要点 视觉案例应分别说明缺陷样本量、漏检、合格品误判和运行节拍。准确率必须连同测试集与判定口径阅读，不能单独代表质量风险。 ## 背景与依据 NIST AI RMF 1.0 第 3.1 节提到误报、漏报等测量维度。本文进一步以质量检测为例说明分项统计的重要性；以下数字仅为计算示例。 [[1]](https://airc.nist.gov/airmf-resources/airmf/3-sec-characteristics/) 本文导读[总准确率为何可能掩盖漏检](#article-section-1)[漏检与误检要用不同分母](#article-section-2)[模型通过，还要看工位是否跟得上](#article-section-3)[避免用一个总数替代质量判断](#article-section-4)[参考资料](#article-sources) 01 ## 总准确率为何可能掩盖漏检 假设测试集中有 990 件合格品和 10 件缺陷品，系统把所有产品都判为合格，总准确率仍是 99%，但 10 件缺陷全部漏掉。这个假设说明样本结构会影响数字含义。 因此，阅读案例时建议先找出各类缺陷的数量和识别结果，尤其关注严重缺陷是否有足够测试证据。 02 ## 漏检与误检要用不同分母 在本文口径下，漏检率为漏判合格的缺陷品数除以实际缺陷品数；误检率为被判异常的合格品数除以实际合格品数。报告应说明自己的口径是否相同。 测试集中没有某类缺陷时，不能把该类漏检率写成零。应说明没有覆盖，并补充测试计划。 03 ## 模型通过，还要看工位是否跟得上 现场还包括拍照、传输、剔除与复检。算法速度达标，并不保证整站能在实际线速下完成任务。 建议同时查看连续运行的超时、漏拍、剔除失败和人工复核耗时。只有把这些记录放在一起，才能理解案例展示的检测能力。 04 ## 避免用一个总数替代质量判断 澄序工业建议把缺陷类型、统计分母和人工复核量放在同一份报告中。数据量不足时明确写出限制，让采购与质量人员能判断适用范围。 ## 阅读要点对照 视觉检测准确率怎么看：漏检、误检与样本量需要一起说明：要点对照| 关注点 | 应该看什么 | 容易忽略什么 | | --- | --- | --- | | 漏检率 | 漏检缺陷品 / 实际缺陷品 | 样本缺失被写成零 | | 误检率 | 误判合格品 / 实际合格品 | 分母被混用 | | 整站表现 | 漏拍、超时、剔除与复检 | 只报告模型指标 | ## 延伸一问 ### 同样 99% 的准确率，可以直接比较两套系统吗？ 不能。需要核对缺陷比例、类别、严重程度、测试集独立性和工况，再比较分项结果。 ## 参考资料与阅读范围 - [AI RMF 1.0：AI Risks and Trustworthiness，第 3.1 节 ↗](https://airc.nist.gov/airmf-resources/airmf/3-sec-characteristics/) 美国国家标准与技术研究院（NIST） · 2023 年版 · 查阅日期：2026-09-10 本文为公开资料解读与方案建议；文中场景和计算示例不代表企业历史业绩。技术要求需结合设备资料与现场条件核验。 来源用于支持上文标明的背景；正文的场景分析与建议不代表来源机构的项目结论或对本站的认可。 ## 继续阅读 [ 案例解读2026 年 9 月 10 日 ### 怎样判断工业案例是否可信：先核对条件，再看结果 工业案例的参考价值取决于背景、实施动作、比较条件和原始证据是否清楚。缺少基线或测试范围的结果，无法可靠支持跨工厂的效果判断。 阅读全文 → ](/articles/case-evidence-check/) [ 设备运维2026 年 9 月 10 日 ### 一次预警怎样成为有效维护记录：从发现到复测 有价值的维护预警案例应串联信号变化、现场确认、处置和复测。告警数量与“避免了多少损失”之间没有可以直接换算的关系。 阅读全文 → ](/articles/maintenance-case-review/)