视觉检测连续出现误判时，现场通常会先怀疑模型精度，接着尝试调阈值、换样本，甚至把问题归到设备不稳定。但在真实产线里，误判反复出现，很多时候不是算法单点出了问题，而是工位参数、配方版本和复判记录没有对齐。数据没有回到同一条生产链，调得越快，现场越难判断到底改了什么。
做 智能制造与质量追溯服务 时，第一步通常不是重新训练模型，而是先查清三个对象：当前工位使用了哪一版参数，检测时对应哪个批次，人工复判的结果有没有回写到同一件产品。比如同一款产品在换型后更换了光源角度，视觉程序却仍然沿用上一版阈值，系统会把工艺变化误认为质量异常。
这类问题还容易被班次和工位编号放大。早班完成的首件可能被当作标准样本，晚班换线后却没有更新参照；设备端记录的是检测时间，MES 记录的是过站时间，最后在 制造解决方案 里看见的，只是一串无法复核的 NG 数量。真正有价值的质量追溯，不是把异常数量做得更醒目，而是能把异常还原到具体工位、参数和批次。
比较稳妥的做法，是先建立“检测结果—人工复判—参数版本”的对应关系。误判发生后，保留原始图像、设备状态和当时的配方，不要只保留修改后的结果；复判完成后，再明确是产品缺陷、光学条件变化，还是规则配置不适用。这样，后面的模型优化才有依据，也方便班组在下一次换型时复用。
建议车间先抽查三项：误判样本能否回到具体工位、参数版本是否随批次留存、复判结论是否能回写到 MES。只要有一项还要靠人凭记忆解释，就先把追溯链补齐，再扩大自动判定范围。更多现场判断可结合 新闻资讯 栏目的相关内容继续复盘。
