> For the complete documentation index, see [llms.txt](https://doc.duaer.com/zh/llms.txt). Markdown versions of documentation pages are available by appending `.md` to page URLs; this page is available as [Markdown](https://doc.duaer.com/zh/guides/what-is-defect-of-vision.md).

# 视觉缺陷是什么？2027 年定义、阶段自检与常见误读

本文整理自 Duaer 文档站，区分医学与工业两种语境下的“视觉缺陷”，说明如何写清产品缺陷定义、判断企业所处的视觉检测阶段，并列出三个常见误读。

## 视觉缺陷的含义

视觉缺陷指视觉系统中任何使其无法产生清晰、准确或可靠的外部世界图像的偏差。日常医学语境下，它包括近视、远视和散光等屈光不正，也包括弱视（俗称“懒眼”）和色觉缺陷等情况。在工业或企业场景中，同一个词常指另一层含义：产品上可见的瑕疵，例如划痕、凹陷、印刷错误，或者本应被目视检查发现的零件装配错位。

两种含义共享同一个核心：观看过程中的某个环节未能正确呈现现实，而人们一旦依据这些看到的内容采取行动，失误的后果就会放大。读错路标的司机，或漏看涡轮叶片上发丝般细小裂纹的技术员，都是在使用扭曲的图像工作。正因为这种共同结构，这个术语才会持续出现在检验、安全以及如今的自动视觉系统讨论中。

对企业读者来说，实际关心的通常是第二种含义。搜索这一表述的团队，往往想弄清产品缺陷是如何被看到、判断和记录的，以及摄像头和模型能否接手其中一部分工作。本文后续沿用这一视角，同时在必要处说明医学含义的影响。

## 为什么这个术语容易让企业读者混淆

这个词的歧义会带来真实的规划错误。质量经理听到“视觉缺陷”，可能想到镜头的光学质量；临床医生想到的是屈光；数据团队则可能想到错误标注图像的分类器。这些是不同的问题，有不同的负责人、不同的数据和不同的验收标准。

当项目范围界定时，歧义的影响最大。如果工厂提出要做一套“视觉缺陷系统”，却没有明确什么算缺陷，供应商就会优化错误的目标。有些系统被调得尽量捕捉每一处可能的瑕疵，结果误报很多，把良品送去返工；另一些系统则被调得尽量避免误报，结果真正的缺陷流出产线。两种结果在演示稿上都像成功，在生产中却都会失败。

解决办法是在讨论摄像头或模型之前，先把定义写下来。需要明确缺陷类别、每一类的严重程度、光照和观察条件，以及一线人员目前看到每类缺陷时会如何处理。这份文件比任何模型基准测试都更有价值，因为它将成为判断系统是否有效的依据。

## 如何判断企业所处的阶段

企业通常不需要复杂的成熟度模型就能看清自己的位置。四个阶段已足以支撑合理决策。

第一阶段，缺陷主要靠偶然发现，常常是客户反馈或在较晚的检验环节才被发现。缺陷没有统一定义，记录也很稀少。此时正确的动作不是自动化，而是编写缺陷目录并收集样本。

第二阶段，人工目视检查并依据检查表执行。标准已经写在纸上，但不同班次、不同检验员之间的判断存在差异。这里的主要问题是一致性。一个有用的做法是让多名检验员对同一批样本分别评级，并统计分歧之处。分歧本身就说明定义还不够可操作。

第三阶段，企业已经有了带标注的图像或检验记录，以及稳定的定义。可以针对一类视觉特征清晰的缺陷试点自动检查，而边界情况的最终判断仍由人工完成。

第四阶段，自动检验已在生产中运行，并配有监控、定期重新标注，以及当材料、光照或供应商变化导致漂移时的明确处理流程。多数团队目前处于第二到第三阶段之间，这是正常的位置。真正的错误是跳过中间阶段。

## 三个常见误读

**误读一：摄像头越多，缺陷越少。** 覆盖范围不等于检出能力。在光照不佳、角度不当或存在运动模糊的情况下拍摄的表面图像，任何模型都难以可靠解读。在增加硬件之前，应先检查现有图像能否让受过培训的人员做出一致的判断。如果不能，瓶颈在于采集，而不在于分析。

**误读二：高准确率数字就能说明问题。** 单一的准确率数字会掩盖真正重要的成本。缺陷通常很少见，因此模型即使看起来很准确，也可能漏掉你真正关心的缺陷。应当询问最严重缺陷类别的漏检率、良品的误报率，以及这两者在不同班次、光照条件和产品型号之间如何变化。这些数字才真正反映产线会遇到的情况。

**误读三：医学含义与工业含义可以互换。** 二者并不相同。人类视力评估涉及临床标准、个体差异和受监管的执业规范；产品缺陷检验则涉及工程公差和质量协议。把一个领域的术语套用到另一个领域的设计中，会导致错误的指标。如果项目涉及人类视力筛查，应当把它当作有自身合规要求的医疗健康项目来对待，而不是当作工厂检验试点。

## 本周可以做什么

选定一条产品线或一个检验点，编写一页纸的缺陷定义。列出你关心的缺陷类别，用通俗语言描述每一类，为每类附上五到十张示例图像，并注明在相同条件下良品是什么样子。然后请两名检验员独立对同一批二十个样本评级，统计分歧数量，并把结果带到一次简短的复盘会议上。如果检验员之间无法达成一致，问题出在定义上，再好的视觉系统也无法解决。

这一个练习就能告诉你企业处于哪个阶段，以及自动化是否值得试点。如果你希望把定义和样本集整理成结构化的落地方案，可以在 Duaer（https://www.duaer.com）中运行同样的流程，注册后用自己的检验数据测试工作流，再决定是否进行更大规模的投入。

如果您更希望先听取外部意见，可以告诉我们您的具体场景，我们会返回一份针对该场景的书面落地路线：https://api.duaer.com/form/c59a907a-3697-4edf-a04d-3ea0fb72fdc8

视觉缺陷只有在有人写清楚什么算缺陷时，才真正成为一个有用的概念；而这种清晰性，应当先于任何摄像头或模型的采购。

## 常见问题

### 工业视觉缺陷检测项目应该从哪里开始？

建议先不要急于采购摄像头或模型，而是为一条产品线或一个检验点编写一页纸的缺陷定义，列出缺陷类别、严重程度、光照和观察条件，并附上示例图像和良品标准。随后让多名检验员对同一批样本独立评级，统计分歧。定义清楚、人工判断基本一致之后，再考虑自动化试点。

### 如何判断企业的视觉检测处于哪个阶段？

可以按四个阶段自检：缺陷是否主要靠偶然发现；是否有统一的缺陷定义和检查表；是否已有带标注的图像或检验记录，并能针对某类缺陷试点自动检查；自动检验是否已在生产中运行，并具备监控、重新标注和漂移处理流程。多数团队目前处于第二到第三阶段之间，这属于正常状态。

### 视觉检测模型准确率很高，是否就可以放心上线？

不能仅凭一个准确率数字做决定。因为缺陷通常很少，模型可能在总体准确率很高的同时漏掉关键缺陷。应重点核查最严重缺陷类别的漏检率、良品的误报率，以及这些指标在不同班次、光照条件和产品型号下的变化情况，并以此判断产线实际会遇到的表现。

