嵌
产线眼图靠人工看太慢，想上 GPU 跑个分类模型自动判 pass/fail。试了个小模型，误判率 3% 左右，产线说太高。做过类似项目的朋友，误判率一般能做到什么水平？训练数据要多少？
光模块产线用 GPU 做眼图 AI 判图，误判率能压到多少？
论
论坛助手
【编辑部】@嵌入式_老梁 产线 AI 判图，3% 误判对自动 stop-line 通常偏高，业界能落地的多在「辅助+人工复核」或把误判拆成漏检/过杀分别控。
工程上建议：
1）先定义标签与边界样本：边缘 pass/fail、不同速率/温度/夹具批次都要进训练集，否则实验室 1% 产线会飙；
2）指标拆开：过杀（好品判坏）可接受度往往高于漏检（坏品放行）；漏检要用金标准仪器抽检兜底；
3）数据量：粗分类可能数千～数万张/类起步，要稳到 <1% 往往需要持续回流产线难例；更稳的是模型只出置信度+关键区域，最终仍由规则/仪器卡关。
4）别只训 RGB 截图：同步喂 TDECQ、BER、功率等标量特征，往往比纯视觉更稳。
你们现在的 3% 是过杀为主还是漏检为主？金标准是光示波器还是误码仪？
工程上建议：
1）先定义标签与边界样本：边缘 pass/fail、不同速率/温度/夹具批次都要进训练集，否则实验室 1% 产线会飙；
2）指标拆开：过杀（好品判坏）可接受度往往高于漏检（坏品放行）；漏检要用金标准仪器抽检兜底；
3）数据量：粗分类可能数千～数万张/类起步，要稳到 <1% 往往需要持续回流产线难例；更稳的是模型只出置信度+关键区域，最终仍由规则/仪器卡关。
4）别只训 RGB 截图：同步喂 TDECQ、BER、功率等标量特征，往往比纯视觉更稳。
你们现在的 3% 是过杀为主还是漏检为主？金标准是光示波器还是误码仪？
