已知问题与边界 · 上线前必读
按严重程度排序。前三条会直接推翻结论的适用性。
1. 样本量不足以证明产线级低误杀率 ★★★
test 只有 185 张良品。
最小可分辨误报率 = 1/185 = 0.54%。 比这更低的误报率，本数据集在原理上测不出来。
即使观测到 0 误报，Clopper–Pearson 95% 置信上界仍有 **1.61%**。
要达到的目标需要多少张干净良品：
| 目标 | 需要误报率 | 需要良品数（95% 置信、零观测失败） |
|---|---|---|
| 证明误报率 < 1% | < 1% | ≈300 |
| 产线不良率 5% 下 precision ≥ 99% | ≤ 0.048% | ≈6,260 |
| 产线不良率 2% 下 precision ≥ 99% | ≤ 0.019% | ≈16,146 |
这不是模型问题，是统计问题。换更好的模型不会改变它。
2. precision 随产线不良率剧烈变化 ★★★
「判为不良的那堆里混了多少良品」不是模型的固有属性。
同一个模型、同一个阈值：
| 产线不良率 P | 不良桶良品率 |
|---|---|
| 54.8%（本 test 人为构造） | 1.83% |
| 10% | 16.9% |
| 5% | 29.5% |
| 2% | 51.6% |
test 上的 1.83% 是被构造出来的假象。 test 里不良品占 54.8%，产线上通常只有 1–10%。
凡是引用本项目的 precision 数字，必须同时写明对应的不良率。 不写就是误导。
NPV（放行桶纯度）方向相反，不良率越低越好看：
3. 我在评估口径上犯过的错，以及修正后的数字 ★★★
如实记录，因为这些错误的数字曾经被写进报告。
错误 A：在 test 上选阈值（两次）
- 一次在
precision_table里 - 一次在早期只有 train/val 的切分里
得到 A 套「不良桶良品率 0%」的漂亮结果。
这是作弊。 阈值在 test 上调，等于把 test 当成了 val。
诚实口径（阈值在 val 上定、test 只评一次，p10_honest.json）：
| A 套 | B 套 | |
|---|---|---|
| 不良桶良品率 | 17.89% | 0.00% |
| test 检出率 | 22.3% | 51.5% |
| test 误报 | 1/185 | 0/185 |
A 套从 0% 变成 **17.89%**。B 套确实是 0%，但检出率只有 51.5%。
错误 B：把「分辨率不够」当作解释
我曾用「空间分辨率不足」解释为什么达不到目标 precision。这是循环论证。
真实的约束是分数分离度：
（$t$ = 目标 precision）。它随 rec 线性缩放，和像素分辨率没有直接关系。
错误 C：probe-B 判为「不通过」
用 max(良品分数) 当阈值，任何一个离群良品都会把结论毁掉。是阈值选法的问题，不是模型的问题。已修正为通过。
错误 D：「麻点是区域级圈选」
我从一张图推广到整类。实际统计：麻点标注面积中位数 0.22% 图幅，是逐颗描的。
只有 样本_38030_P15261973_2 一个包是画大圈圈住密集区（中位 9.42%）。
错误 E：gwz 归一化更好
我基于「数据有色调漂移」推断灰世界白平衡必然更优。
test 上 imnet 拿了最高 AUROC（0.9976 vs gwz 0.9918）。结论已撤回。
4. 数据质量问题（6 条）
- 良品标签约 3.3% 存疑 —— 漏标的真缺陷。已用客观门槛核查，不是估计。误报率数字直接受此影响。
- 34 张缺陷图零监督（6 张缺 json + 28 张
shapes为空），已剔除并记录在dropped.csv。 - 崩 / 侧面崩 / 碎 的标注多边形几乎整个画在片体外（片体内比例仅 1–3%）——因为缺陷本身就是「材料缺了一块」。语义上成立，但直接栅格化当分割 GT 会有问题。
- 麻点标注口径不统一：多数包逐颗描（面积中位 0.15–0.64% 图幅），
样本_38030_P15261973_2画大圈（中位 9.42%），差 20–60 倍。 - 标注精细度分两档：labelme 3.3.10 顶点中位 80（精描）vs 5.11.4 顶点中位 12（粗框）。**
样本_38031两版本混装**，用前要按版本拆开。 - 采集配置色调漂移：B 通道逐日 15→8→5，冷/暖两种配置混在库里。
更根本的一条：判定规格缺失
多亮 × 多大的圆点算麻点、多长的划痕算不良，至今没有书面判据。
所有「漏标率」争议最终都归约到这一条。良品没定义清楚之前，误报率无从谈起。 这是项目最大的非技术阻塞项。
5. 缺陷类型覆盖
客户规格表 11 类：麻点 / 划痕 / 崩角崩边 / 印迹绿色蹭伤 / 黄边 / 隐崩角 / 可擦拭性脏污 / 面次 / 脱膜 / 水渍 / 尺寸异常。
数据集只覆盖前 3 类。 但这 3 类占缺陷图的 **95.8%**。
被整类排除的两类：
| 类别 | 张数 | 排除原因 |
|---|---|---|
| 碎 | 64 | 规格表外。改作审计用的未见类硬正样本 |
| 不可擦脏 | 19 | 「擦不擦得掉」是物理属性，单张图像原理上判不了。强行训检出率仅约 53% |
其余 8 类没有任何训练数据，模型对它们的行为完全未知。
6. 分割路线的固有短板
麻点连通域太小。 test 全部麻点图的预测像素合计 6297 px，均摊每图 274 px。
| 阈值 τ | 误报 | 划痕 | 崩边 | 麻点 |
|---|---|---|---|---|
| 200 | 12/185 | 96.2% | 97.1% | 73.9% |
| 400 | 10/185 | 93.2% | 97.1% | 17.4% |
| 800 | 8/185 | 87.2% | 97.1% | 0.0% |
| 1600 | 5/185 | 64.7% | 91.2% | 0.0% |
任何能把误报压到可接受范围的阈值，都会把麻点整类抹掉。
补救是 7 维几何判据单独捞麻点，但它 oracle 74.6% → honest 64.3%，掉 10 个点： 7 个自由度在 434 张 val 上调必然过拟合，且 A 套选出的阈值到 B 套失效——不可迁移。
这是选择分类路线的根本原因。
7. 部署环境限制
- 输入必须是已裁到单片边界的暗场图，原始尺寸 300–360 px 量级。整版图 / 明场图不适用。
- GPU 版要求 CUDA 12.x。CUDA 13 或 11 都不行（
onnxruntime-gpu1.28 要 CUDA 13，需钉 1.22.0 / 1.24.4）。 libstdc++.so.6必须显式打包。Ubuntu 24.04 系统库要 GLIBC_2.38，目标机没有会崩。这个错的表象是 numpy 导入失败，根因不是 numpy。当时按 numpy 方向排查了很久，是弯路。
- 单文件程序首次运行要解压到临时目录，第一次慢是正常的。
- 预处理改一个字节，标定好的阈值全部失效。
8. 实验方法学限制
- AUROC 噪声地板 ±0.005（Hanley–McNeil 标准误，见
cls_test_all.csv的test_se列）。 榜单前 10 名之间的差距和这个噪声同量级——不要根据 0.001 的差异下结论。 - 没做多种子重复。 训练固定种子 42，但 cuDNN 非确定性算子仍带来抖动。要压过噪声地板必须多种子，本项目没做。
cls_eval_all.py在 test 上横比 42 个模型再挑最好，本身带选择偏差。 脚本会额外打印「按 val 预先选定」的那个模型——只有那个数字是无偏的。convnext_tiny.dinov3_lvd1689m训练失败（val AUROC 0.5132 = 随机）。 不是骨干不行，是 60 epoch / lr 4e-4 这套超参不适配它。没有重调，所以它不构成对 DINOv3 的评价。
建议的下一步（按性价比）
- 补足干净良品到 300+ 张，才能证明误报率 < 1%。这是最大瓶颈，且不需要任何算法工作。
- 拿到书面判定规格。 良品定义清楚之前，其他优化都在流沙上。
- 色调漂移压力测试，验证
gwz到底有没有用（目前证据是没有）。 - 多种子重复，把 ±0.005 的噪声地板压下去，再谈模型选型。
- 补采其余 8 类缺陷的数据。