采购AI光纤端面检测设备时，一次演示能说明设备如何工作，正式上线则需要回答更具体的问题：样品依据什么规则标注？测试图像是否参与过训练？异常漏检与正常误报分别有多少？面向工艺、质量和采购团队，验收应把这些问题写成可执行的方案。
先统一标注口径，再评估AI判读
先明确连接器类型、检测区域、异常类别及适用的端面视觉规则，由质量人员复核形成参考标签。多人标注存在分歧的样品，应先讨论依据；不能让互相矛盾的标签同时充当训练与验收标准。Cognex标注文档说明，标注是训练与评价的参照，应完整、准确。
“发现某类缺陷”与“按适用规则判为异常”也应区分。验收方案需说明评价的是缺陷定位、类别识别，还是样本的正常/异常判读，避免不同任务共用一个含糊的准确率。
独立测试样品怎样准备？
让样品覆盖计划使用范围
建议收集正常、异常及接近判定边界的真实样品，覆盖计划上线的型号和批次，并明确夹具、照明、对焦及取像条件。难以成像或无法取得一致参考结论的样品，应单独记录原因，不能默默删去。样品覆盖范围应对应计划投入使用的场景。
训练、调参与最终验收分别安排
同一件产品的重复图像和裁剪图，应按产品身份分组管理。Allied Vision官方文档明确提醒，不应让同一对象的不同图像跨入不同数据集。最终测试样品不用于训练、选模型或调参；模型、规则和阈值冻结后再测试。若依据结果改进，应另留独立样品重新验收。相关风险见数据泄漏指引。
图1：验收方案示意，不代表设备内置操作界面。
漏检与误报为什么要分别看？
以预先约定的“样本级正常/异常”为例，将按视觉规则应提示异常定义为阳性。参考标签明确且有有效二分类结果时，异常被判正常是漏检；正常被判异常是误报。两类错误分别列数，分母分别对应有效判读中的异常、正常参考样本数。
如果采用芯位级、图像级或缺陷级评价，应另行约定计数单位。总送测数、有效判读数以及无图像、无结果、待复核数量应同时报告；不能只展示有结果子集的错误率。四种参考标签与预测结果的对应关系，可用混淆矩阵说明。
图2：评价关系示意，无实测数量或性能承诺。
边界样品和换批后，还要确认什么？
建议对难判样品设置人工复核路径，并在换批、换型或成像条件变化时开展有针对性的补充测试。验收记录写明模型与规则版本、样品范围和未覆盖条件；已测试范围内的结论，不宜直接推广到所有连接器和工况。具体样本规模与接受条件，由项目各方事先约定。
EF1000选型时可验证哪些环节？
EF1000官方产品页公开了AI自动判断、自定义缺陷类型，以及标注、训练、评估注册流程。可据此围绕实际样品组织方案验证；数据分组、独立测试、错误统计和版本管理的具体实现，仍需与项目配置逐项确认。
常见问题
训练图像判得好，就能作为上线结论吗？
还需要使用未参与训练和调参的独立样品，按预先约定的条件评价。
没有观察到漏检，能否承诺零漏检？
不能。结论只能对应本次样品、规则与测试条件，应同时报告样本量和覆盖范围。
AI端面判读通过，代表光学性能合格吗？
端面视觉检查不能替代衰减、回波损耗等性能测量。视觉异常也不直接等于整件报废，具体处置依据质量规范与相应测试，相关边界见IEC 61300-3-35:2022官方摘要。
咨询EF1000样品验证方案：400-006-5266｜bd@imperial-vision.com。联系方式依据帝视科技官网。
