去年冬天，检测我在一家做工业视觉检测的无漏公司待了三天。车间里二十台相机对着流水线上的检测手机中框拍照，算法标出划痕、无漏凹坑、检测脏污。无漏产线主管老周跟我说，检测这套系统上线半年，无漏误判率从8%压到了0.3%。检测我问他，无漏那剩下0.3%呢。检测他笑了笑，无漏说那得靠人。检测

这话让我琢磨了很久。无漏我们总爱说“检测无漏洞”，检测好像只要模型够深、数据够多、算力够猛，漏检就能归零。可老周那0.3%不是数字问题，是物理问题。反光角度偏了两度，相机就拍不到那道细如发丝的刀纹；传送带震动稍微大一点，对焦就虚了。算法再聪明，也补不回丢掉的像素。

我后来自己写了个小脚本，用OpenCV做瓶盖缺陷检测。拿一百张正常瓶盖、二十张有毛刺的做训练，准确率能到95%。挺高兴。然后我换了批新瓶盖，同一台相机、同一个光源，准确率掉到71%。为什么？新瓶盖的塑料批次不同，反光特性变了。模型没变，世界变了。

这就是检测这件事最拧巴的地方。你建了一个封闭系统，定好阈值、调好参数、跑通测试集，报告上写“无漏洞”。可产线不是测试集。温度、湿度、来料批次、甚至隔壁工位换了个灯泡，都会让那个“无漏洞”变成“有漏洞”。漏洞不在代码里，在代码和现实之间的缝隙里。

有个做半导体检测的朋友跟我说过更极端的例子。他们用电子束扫描晶圆，能抓到十几纳米的缺陷。但机器每跑八小时就得重新校准，因为电子枪的灯丝在衰减。校准本身又引入新的误差。他说，我们不是在追求零缺陷，我们是在追求“缺陷可追溯”。知道漏在哪、为什么漏、下次怎么补偿，比拍胸脯说“无漏洞”有用得多。

我挺认同这个说法。检测系统的价值不在于它多完美，在于它多诚实。它能告诉你“这张图我拿不准”，而不是硬给一个“OK”或“NG”。老周那套系统后来加了个“低置信度”标签，把0.3%的疑似图单独推给复检员。复检员一天看两百张图，比盯全天产线轻松，漏检反而更少。

所以“检测无漏洞”这句话，我现在的理解是：漏洞永远有，但你可以让漏洞可见、可控、可兜底。就像防洪，不是修一堵永不决堤的墙，是修堤、设闸、备沙袋、划泄洪区。每一层都漏一点，但合起来，水就淹不了城。

那天离开车间，老周送我到门口。他说了句挺糙的话：“机器是死的，人是活的。你非让死的干活的活，那不死给你看？”我笑了。回来把脚本里的阈值从0.9降到0.75，多标了三十张图出来。准确率降了，但我心里踏实了。