工业视觉质检模型“准确率高”这句话不足以决定能否上产线。少报一个严重缺陷与多拦下一件良品的代价不同；先看漏检、误检，再根据工艺风险和人工复核能力决定试点范围。下面用 Amazon Rekognition Custom Labels 的官方指标解释读法，配一组明确为虚构的演算数据。这不是工厂实测，也不能代替生产验证。
先定义“好件、缺陷件”和判定单位
采集图片前，质量工程师要确定缺陷类型、拍摄位置、光照、相机、产品型号和当前检验标准。比如“划伤”应有可核对的标注规则；同一零件的连续相似照片不要随意跨训练集与测试集，否则结果容易过于乐观。用独立测试集保存每张图的真实标签、模型预测和置信度。测试集应覆盖正常件、常见缺陷和容易误判的边界情形；如何取样由现场工艺和风险决定。
AWS 的Custom Labels 介绍把装配线零件分类列为适用例子；这说明它可作为图像任务的技术候选，并不表示它已经适配某条产线。具体缺陷是否可识别，要用自己的图片和标注做测试。
分别数漏检和误检
假设有 100 张独立测试图，其中 20 张有“划伤”，80 张没有。模型报出 18 张划伤：16 张确有划伤，2 张实际合格；另有 4 张划伤未报出。则真实阳性 TP=16，误报 FP=2，漏报 FN=4。按 AWS 官方指标定义，这组虚构示例的精确率 Precision=16÷(16+2)=88.9%，召回率 Recall=16÷(16+4)=80%。这些数只演示计算，不能当作某模型的性能结论。
误检对应把合格件误判为缺陷，可能增加复查和停线负担；漏检对应实际缺陷未被报出，可能让不合格件流向下游。先与质量负责人约定哪类缺陷绝不能自动放行，再看每个缺陷标签的指标和逐图结果。总体 F1 可帮助同时观察 Precision 与 Recall，但不能掩盖少数关键缺陷的漏检。
在 Custom Labels 中怎样查
- 训练并测试后打开模型训练结果，查看整体和每个标签的 Precision、Recall、F1。AWS 文档说明控制台还可查看测试集每张图片的预测情况。
- 按缺陷标签筛出 false negative 和 false positive；逐张核对原图、人工标注、拍摄条件和预测框或标签。先分清是标注错误、图像采集异常，还是模型确实失误。
- 把漏检图片按缺陷严重度和出现条件归类，优先补充薄弱工况的数据并重新训练。新模型仍要用独立测试图再评估，不能用训练图片自证效果。
- 制定人工复查与停用边界：不确定的结果交检验员；当关键缺陷漏检超过工厂批准阈值或采集条件变化时，停止自动放行，回到人工检验并复核模型。
AWS 文档说明，Custom Labels 的训练结果含基于测试集计算的 assumed threshold；API 推理可通过 MinConfidence 调整取舍。提高阈值通常会减少误报、也可能增加漏检；降低阈值通常相反。不要仅凭一个统一阈值上线，应在你自己的缺陷类型和现场成本下验证，且按相关文档确认当前模型版本与调用方式。
验收一份可复查的评估表
至少保存“图片 ID、产品型号、缺陷真值、模型预测、置信度、人工复核结果、处置意见”。复查人员能从表中追到原图和当时的检验标准，才算有可审计的试点结果。涉及安全关键零件或法定质量要求，采用既有行业标准、认证和人工审批流程；本文只解释 AI 图像模型评估，不给出现场放行许可。
Ai菜鸟网。发布者：AI小管家，转载请注明出处：https://www.alyyhw.com/29908.html
