在机器视觉实际应用中，不良品检测是经常遇到的任务之一。从客户关心的实际应用角度，我们定义了误剔率、漏剔率去描述视觉系统的检测能力，同时准确率作为量测整个系统的检测能力，推导出准确率和误剔率、漏剔率的关系。
在机器视觉实际应用中，缺陷品或称不良品检测是经常遇到的任务之一。随着深度学习技术的大量应用，一些传统机器视觉难以检测的缺陷也能够被很好的检测处理。在和客户沟通过程中， 会不断被问及系统的检测率、检测能力，这时候我们需要用几个指标去表达系统的实际检测效果。站在客户的角度，有几个方面的问题需要考虑：（1）不良品是否都能检测出来，有多少会被漏掉；（2）良品有多少会被误判为不良品。
客户上视觉系统，无非是提高产品品质、减少人工或工作量。如果系统漏掉很多不良品，对产品质量造成影响；如果大量良品会当成不良品剔除品，客户就需要安装专人再把剔除的不良品检查一遍，将其中的良品挑出来，否则会造成大量的浪费。这两种情况都会让客户对视觉系统的信服力大打折扣。因此，从客户关心的实际应用角度，我们定义了误剔率、漏剔率去描述上述的2个问题，同时准确率作为量测整个系统的检测能力，推导出准确率和误剔率、漏剔率的关系。
在视觉不良品检测中，一般是视觉系统架设在客户的生产线上，同时在视觉系统配备自动剔除机构，将检测出来的不良品剔除掉，良品流下去下一道工序。因此有如下定义：