精工汇 | AI缺陷检测6个高频名词：从标注到置信度全解析

做AI缺陷检测，天天听这些名词，但真懂的不多。2026年了，我们一次性把6个最关键术语说透。

缺陷标注：数据标注的质量直接决定模型上限

缺陷标注是给图片中的缺陷区域打上标签框或像素级掩码的过程。标注分两种：矩形框标注（快速但粗略）和语义分割标注（精准但耗时）。从实际场景看，标注质量对模型性能的影响远大于标注数量。一块不够清晰的边界、一处遗漏的小瑕疵，都可能导致模型学偏。

2026年主流做法是采用“自动标注+人工修正”模式。先用预训练模型生成初始标注，再由质检员检查调整，成本可降低60%以上。但关键点在于修正标准要统一，比如“划痕长度超过2mm才算缺陷”这类规则必须在标注规范中写死。

对工程师意味着什么？首先，标注样本要覆盖正常、轻微缺陷、严重缺陷三种状态，比例大致为5:3:2。其次，每个缺陷类型至少标注300个实例才能启动训练，低于这个数模型容易欠拟合。最后，标注一致性用“交并比（IoU）”评估，同一缺陷被不同标注人员框定的IoU应大于0.75，否则说明标准不清晰。

置信度：模型对预测结果的“自我打分”

置信度是模型输出每个检测框或像素点时附带的一个0到1之间的数值，代表模型认为该区域“是缺陷”的把握程度。工业现场通常设置置信度阈值（如0.8），高于阈值的才判为缺陷，低于的忽略。

为什么会被关注？因为置信度直接关联误报和漏检。阈值设高了，漏检多；设低了，误报多。一个常见争议点在于：不同缺陷类型的置信度分布差异很大。例如小划痕的置信度通常只有0.6-0.7，而大裂纹可达0.95。若只用一个全局阈值，小缺陷就全被过滤了。

实际应对方法是分类型设定阈值。对关键安全缺陷（如裂纹）阈值可放低至0.5，对非关键外观缺陷（如色差）阈值可设为0.9。同时监控模型输出的“平均置信度”，若持续低于0.7，说明模型对当前批次产品特征不熟悉，需要补充训练。

误报率与漏检率：衡量系统好坏的核心指标

误报率（False Positive Rate）指检测系统把正常品误判为缺陷的比例；漏检率（False Negative Rate）指漏掉真实缺陷的比例。两者需权衡。

大多数项目会设定漏检率上限（如0.1%），然后尽可能降低误报率。因为漏检导致客户投诉甚至召回，而误报只是增加人工复审工作量。2026年主流系统误报率能控制在2%以下，漏检率低于0.05%。但这不是绝对的，取决于缺陷类型和产品价值。例如PCB焊接缺陷要求漏检率趋近于零，误报率可放宽至5%。

判断一个系统是否适合：先看现场对漏检的容忍度。若允许少量漏检（如包装外观），可偏向降低误报；若零容忍（如航空零件），则必须接受较高误报率。实际调试时用“ROC曲线”辅助决策，找到使漏检率达标且误报率最低的那个阈值点。

迁移学习：用少量数据快速部署的捷径

迁移学习是把在大量通用数据（如ImageNet）上预训练好的模型，转移到自己缺陷检测任务上微调。这样做的好处是：减少对标注数据的依赖，缩短训练时间。

常见迷思：很多人以为迁移学习是万能药，拿来就见效。但实际效果取决于“源域”与“目标域”的相似度。表面纹理缺陷（如金属划痕）与自然图像差异大，直接迁移可能不如随机初始化。2026年较优做法是选择在相近工业图像上预训练的模型（如印刷品缺陷模型），而不是通用的物体识别模型。

对读者意味着什么？第一，优先找公开的“工业缺陷检测预训练模型”，比如MVTec AD数据集上训练的模型。第二，微调时冻结前几层（特征提取层），只训练后几层；若数据量少于500张，可尝试全冻结仅替换分类头。第三，监控迁移学习后的训练曲线，若验证集损失下降缓慢，说明预训练特征不适用，需改选其他源域。

模型过拟合：训练集表现好，生产现场掉链子

过拟合指模型在训练数据上准确度极高，但在新数据（生产线实时图像）上性能急剧下降。表现为：训练准确率>99%，但生产误报率飙升或漏检增多。

过拟合的核心原因是模型学习了训练集中的噪声或非代表性特征。比如训练时所有缺陷图片都来自同一批次光照，模型学会了把这种光照校正当成缺陷判据，换批次就失效。

如何判断和避免？方法一：在训练中始终保留20%数据作为验证集，若验证集准确率比训练集低超过3%，就是过拟合信号。方法二：采用数据增强（旋转、裁剪、亮度调整），强迫模型学习不变特征。方法三：限制模型复杂度，减少卷积层数或使用正则化（Dropout、L2权重衰减）。2026年实际项目中，一种有效做法是在训练时加入“域随机化”，模拟不同光照、角度、传感器噪声，增强泛化能力。

数据增强：不花钱扩充样本的实战技巧

数据增强是对现有缺陷图像做轻微变换（旋转、缩放、平移、添加噪声、改变对比度等），生成更多样化的训练样本。这能提升模型鲁棒性，降低过拟合风险。

核心原则是“增强方式必须与实际产线拍摄条件一致”。例如产线产品有固定方向，就不该做90°旋转；若光照稳定，无需大幅调整亮度。常用的有效组合：随机裁剪+水平翻转+高斯噪声+亮度抖动。对划痕类缺陷，添加随机方向拉伸（模拟拉伸变形）效果显著。

2026年出现一种“自动增强”技术：用强化学习搜索较优增强策略组合，相比人工调参可提升平均精度2-5%。但要注意：增强力度过大会破坏缺陷特征（如把小污点增强到看不清），需用验证集实时监控。对工程师的建议：先收集100张原始缺陷图，每种增强方式生成50张，然后目视检查样本是否依旧能被人工识别为缺陷。若增强后缺陷特征消失，则取消该增强项。

常见问题