工业质检 AI 准确率能到多少：漏检率与过杀率双指标实测区间

工业质检 AI 准确率能到多少：漏检率与过杀率双指标实测区间

先给结论：工业视觉质检不存在一个有意义的单一「准确率」。工程上要盯两个数——漏检率（坏件被放走的比例）和过杀率（好件被误剔的比例）。从近年公开可核验的产线数据看，外观类缺陷的检出率大致落在 95%–99.98% 区间，过杀率控制在 0.5%–2% 属于健康水平。任何只报一个「99%」的方案，先问它分母是什么、过杀率是多少。

一、为什么「准确率 99%」是个误导性问题

质检数据天然是极度不平衡的。一条正常产线的不良率往往在 0.5%–2% 之间。假设不良率 1%，一个把所有件都判为良品的「模型」，名义准确率（Accuracy）也有 99%——但它一个缺陷都没检出来。

这就是 Accuracy 在质检场景失效的原因：真正干活的指标藏在混淆矩阵的两格里。

                实际缺陷      实际良品
判为缺陷    │     TP     │     FP     │   ← 过杀发生在 FP
判为良品    │     FN     │     TN     │   ← 漏检发生在 FN

漏检率  FNR = FN / (TP + FN)     检出率（召回）= 1 - FNR
过杀率  FPR = FP / (FP + TN)
名义准确率 ACC = (TP + TN) / 全部   ← 不平衡数据下没有参考价值

验收谈判时，把这两个数连同统计样本量一起写进合同，比写一个「准确率 ≥ 99%」有用得多。

二、实测区间：公开产线数据摆出来

以下数据均来自公开报道，企业口径已标注，可按来源回溯核验：

检测场景	检出率（1−漏检率）	过杀/误检率	数据来源（口径）
金属热轧线表面缺陷	稳定 95% 以上	未披露	人民邮电报 2026-08（福建三明某钢企，企业口径）
连接器外观全检	99.98%（漏检率 0.2‰）	未披露	新华网 2026-08（长虹华丰，企业口径；四川省国资委官网同口径转载）
电机定子检测（年检超百万件）	未披露	误检率控制在 1% 以内	新华网 2026-08（长虹华意加西贝拉，企业口径）
冰洗混线外观防错	人工约 85% → 99% 以上	未披露	新华网 2026-08（长虹美菱，企业口径）
电子结构件 0.01 毫米级缺陷	漏检率降至 0.01% 以下	未披露	高邮市人民政府网站 2026-10（江苏传艺科技，企业口径）
行业标称 vs 微小缺陷实测	标称 98.7%，但 <5μm 缺陷漏检 12.4%	—	中项网行业研究院 2026-08（行业报告口径）

效率侧的官方参照：工信部 2026 年 7 月国新办发布会提到，AI 质检效率可达人工的 5 倍以上。

读这张表注意三点：

1. 区间很宽，且和场景强绑定。 检出率从 95% 到 99.98%，差的不是算法代差，是缺陷类型、成像条件和验收严格度。
2. 标称值和分粒度实测可以差出一个数量级。 最后一行最有意思：同一套系统标称 98.7%，把缺陷按尺寸拆开看，5 微米以下的漏检率还有 12.4%（行业报告口径）。平均值会掩盖最要命的尾部。
3. 大多数报道只给检出、不给过杀。 过杀率普遍缺失，这本身就说明行业沟通习惯还停留在报喜不报忧的阶段。

三、同样是 99%，差距在哪四个变量

1. 成像一致性。 打光、曝光、工件摆位的稳定性决定指标上限。光源衰减 10%、治具磨损带来 2 毫米偏移，模型的输入分布就漂了——这不是模型问题，是光学工程问题。

2. 缺陷像素当量。 缺陷在图上占几个像素，决定模型能不能「看见」它。工程经验值是目标缺陷至少占 5×5 像素；换算回来，视野 100 毫米、相机 500 万像素时，像素当量约 45 微米，检 20 微米的划伤先天吃力。

3. 样本覆盖。 常见缺陷指标好看，稀有缺陷（恰恰是最想拦的那类）样本不足、漏检偏高。评价指标要按缺陷类型拆开看，不能只看加权平均。

4. 阈值策略。 置信度阈值是漏检和过杀之间的旋钮，左移降漏检、升过杀。这个权衡可以用验证集直接扫出来：

import numpy as np

def metrics(scores, labels, thr):
    """scores: 模型缺陷置信度; labels: 1=缺陷 0=良品"""
    pred = scores >= thr
    tp = np.sum(pred & (labels == 1))
    fn = np.sum(~pred & (labels == 1))
    fp = np.sum(pred & (labels == 0))
    tn = np.sum(~pred & (labels == 0))
    miss = fn / (tp + fn)          # 漏检率
    overkill = fp / (fp + tn)      # 过杀率
    acc = (tp + tn) / len(labels)  # 名义准确率（在不平衡数据下会骗人）
    return miss, overkill, acc

# 对一组阈值逐个计算，画出 漏检率-过杀率 权衡曲线，
# 按「漏检一件的代价 vs 误剔一件的代价」选工作点，而不是凭感觉定 0.5

四、过杀的隐性账：被低估的一半

行业讨论热衷于漏检，过杀的成本往往被低估。用一组自建测算口径感受一下（测算示例，非行业统计）：日产 5 万件、真实不良率 1%、检出率 95%、过杀率 2%——每天剔除约 1465 件，其中约 990 件其实是良品，占三分之二。按人工复判一张图 3 秒计，每天要多配约 73 分钟的复判工时。过杀率从 2% 压到 0.5%，复判量直接砍掉四分之三。

所以「上 AI 之后人没少，只是从目检台挪到了复判台」——过杀率没谈拢的项目，最后都是被一线用「绕开系统」投票否决的。

漏检那边的代价则是另一种形态：流出客诉与赔付。湖南省宁乡市人民法院 2026 年 3 月通报过一起案例，出厂检验缺项导致下游退货加罚款，供货方被判担责八成、赔付 36 万余元。漏检的代价是低频高额，过杀的代价是高频低额，两者的账要分开算。

五、验收时怎么把指标谈死

结合上面这些，给四条可执行的验收建议：

1. 合同写双指标加样本量，例如「划伤类检出率 ≥ 98%（验证集该类样本 ≥ 500 张）、整线过杀率 ≤ 1%」，拒绝单一 Accuracy 表述；
2. 用自家产线数据复测，先跑 shadow mode（只记录不剔除）两到四周，供应商的实验室指标必须在你的打光、你的批次波动下重新验证；
3. 指标按缺陷类型分列，稀有缺陷单列，不接受加权平均一笔带过；
4. 约定阈值调整权和复测条款——换型、换批次、换供应商来料后指标复测归谁触发、复判工时谁承担，写清楚。

顺带一提，上海 2026 年 10 月 27 日刚印发的《加快发展新一代智能制造行动方案》已经把检测装备智能化列进了新一代智能制造的装备升级方向，质检环节的指标化验收只会越来越成为标配动作。

小结

「AI 质检准确率能到多少」的正确答法是给区间、给双指标、给条件：外观类检出 95%–99.98%、过杀 0.5%–2% 是当前公开数据支撑的健康区间；落到你的产线上是多少，取决于成像一致性、缺陷粒度、样本覆盖和阈值工作点。先问分母，再谈数字。

常见问题

Q：AI 质检准确率到底能到多少？
没有单一数字。按公开可核验的产线数据，外观类缺陷检出率约 95%–99.98%，过杀率 0.5%–2% 算健康区间。场景、缺陷粒度和成像条件不同，结果差很多，必须用自家产线数据做 shadow mode 复测。

Q：供应商报的「准确率 99.9%」可信吗？
先问三件事：分母是不是混了大量良品（不平衡数据下 Accuracy 虚高）、对应的过杀率是多少、指标是在谁的验证集上测的。再要求按缺陷类型拆开给检出率，稀有缺陷单列。

Q：漏检和过杀，哪个代价更大？
性质不同。漏检是低频高额——流出客诉、退货、赔付（有判例单次赔付 36 万余元）；过杀是高频低额——误剔良品加复判工时，过杀 2% 的产线每天可能白剔上千件良品。阈值工作点要按两者在你产线上的实际成本比来选。

---

关于作者：云湃智算（VASTIQ）专注制造业 AI 落地，围绕质检、设备运维等场景做工程化实践。本文数据均来自公开报道，企业口径已逐一标注，供工程参考。