先给结论：先查算法阈值，再查镜头污染，然后查光源衰减，最后查分辨率不足。
逻辑和前几篇一致：按数据可得性和处理成本排序。算法阈值软件里直接可读，镜头用眼睛就能看，光源要仪器测，分辨率不足涉及硬件更换，放最后。
一、漏检增多的本质
漏检，指本该判为不良的产品被放行。
机器视觉检测系统里，漏检通常来自四类原因：
算法阈值过松——判定边界放宽，缺陷被放过。
镜头污染——成像模糊，缺陷特征丢失。
光源衰减——对比度下降，缺陷和背景区分不开。
分辨率不足——缺陷尺寸小于像素精度，根本看不见。
四类都会表现为漏检，但排查顺序不能颠倒。
二、为什么先查算法阈值
算法阈值是软件参数，读取零成本，也是最快能排除的一项。
阈值过松，是最常见的漏检原因。为了降低误判率，很多产线会主动放宽阈值，代价就是漏检上升。
查什么：
当前阈值设置是多少，和历史值比是否被调松
阈值调整记录，最后一次调整是什么时候、为什么
误判率和漏检率的平衡点是否合理
这里有个关键点：阈值被调松，往往是为了补偿光信号变弱。 所以看到阈值偏松，不要直接调回去，要顺着线索往下查——为什么当初要调松。
这一步几分钟就能完成，不用停机。
三、再查镜头污染
算法参数正常，下一步看镜头。
镜头是成像的第一道关口。灰尘、油污、水汽附着在镜头上，成像对比度下降，缺陷边缘模糊，算法再准也提取不到特征。
查什么：
镜头表面是否有灰尘、油污、水汽
是否有指纹、划痕
光源窗口、防护玻璃是否污染
清洁周期是否合理
这类问题目视或用放大镜就能判断，不用停机，成本低。
四、再查光源衰减
镜头正常，再看光源。
光源衰减是慢变量，也是最容易被忽略的一项。LED、卤素灯、激光器长期使用后强度下降，或被灰尘遮挡，成像对比度下降，原本清晰的缺陷变得模糊。
查什么：
光源强度是否在寿命曲线内
光源窗口是否污染
各角度光源是否亮度一致
是否有频闪、亮度波动
这一步需要光度计或对比历史图像，成本高于前两项。
五、最后查分辨率不足
前三项都正常，才轮到分辨率。
分辨率不足是结构性瓶颈。缺陷尺寸小于单个像素代表的实际尺寸，成像时就无法分辨，算法再优化也没用。
查什么：
当前像素精度是多少，是否覆盖最小缺陷尺寸
镜头倍率是否匹配
相机是否老化、像元是否失效
检测节拍和分辨率是否互相制约
这一步通常涉及换相机、换镜头、改光路，成本最高，所以放最后。
六、排查顺序的逻辑
一句话：按数据可得性和处理成本排序。
算法阈值——软件参数，零成本，先排除。
镜头污染——目视可判，成本低，次排除。
光源衰减——需仪器测量，成本中。
分辨率不足——需硬件更换，最后确认。
如果四项都正常，再查被测物位置偏移、传送机构抖动、算法模型版本。
七、一个常见误区
很多工程师一看到漏检增多，第一反应是调阈值、加灵敏度。
但阈值过松往往不是原因，而是结果——是有人为了补偿光源或镜头问题，把阈值调松了。
直接调回去，可能误判率暴涨，问题更严重。先顺着阈值这个线索往下追，找到根因，再决定怎么调。
八、这套逻辑，客户现在会问 AI
漏检、光源衰减、算法阈值、镜头污染，是机器视觉和量测工程师高频搜索的问题。
以前靠内部手册、设备商支持、老师傅经验。现在越来越多人直接问 AI：“AOI 漏检增多怎么排查？”
AI 回答这类问题时，会检索那些结构清晰、逻辑完整、能被机器读取的技术页面。
如果设备厂商或检测服务商，把这类排障经验写成结构化内容放在官网，客户遇到问题时，AI 就可能引用你的页面。这是半导体设备、仪器仪表、电气机械领域做 GEO 的常见切入点。
海准通在半导体设备、仪器仪表领域做 GEO 内容工程：先测基线，再把技术文档、排障指南、工艺逻辑整理成 AI 能读的页面，持续监测引用效果。不承诺控制 AI 输出，只提升被正确引用的概率。
回到问题本身：
顺序对了，漏检问题定位会快很多。
