打开一个批次的检测结果，多数人先看的是“一级占多少”。但等级占比只回答了“这批货整体怎么样”，没有回答“为什么是这样”，也没有说明哪些判断可以直接采信、哪些需要人来复核。纵横国际 App 在质检与分级这一块，通常就围绕这三个问题组织信息。
下面按 App 通常提供的查看顺序走一遍典型流程。具体界面与功能以当前发布版本为准，文中不引用固定的按钮名称，图里的数字也请当作示意。
典型流程
- 选择批次。从批次列表选中要看的批次，通常可按品类、日期或产线筛选，先核对批次编号与检测时间，免得看串。
- 看分级分布。一级、二级、三级和剔除各占多少，这是整批货的整体画像。
- 看缺陷类型与样例图。占比背后的原因通常落在表面缺陷、成熟度、异物这几类标签上，点开样例图可以逐一对照。
- 看光谱与检测记录。光谱曲线用来判断这批样品与常见样品是否相近，检测记录用来追溯时间、产线与批次。
- 理解置信度与复检提示。低置信度样本会被单独标出，建议人工复核，这一步决定了结果能用到什么程度。
图中示意的是第 2 到第 4 步会用到的那一屏：顶部是批次信息，中间是分级堆叠条，下面是缺陷与成熟度标签和一条缩略光谱。图里的一级 62%、二级 24%、三级 9%、剔除 5% 都是示意数字。
怎样读结果
等级占比：先看整体，再看和往常比
单看一次占比意义有限，价值在对比。把这一批与同品类最近几批放在一起看，比盯着绝对数字更有信息量：
| 看到的现象 | 可能的原因 | 可以先做什么 |
|---|---|---|
| 剔除比例突然升高 | 来料状况变化，或产线光照、相机校准发生变化 | 抽看被剔除的样例图，确认是否成片出现同一种误判 |
| 二级占比长期偏高 | 分级标准与目标等级不匹配，或产地、季节差异 | 核对本批适用的分级标准设置 |
| 占比与往常接近，缺陷类型构成变了 | 缺陷来源已经换了，只是总量恰好相当 | 看缺陷类型分布，追问采收与搬运环节 |
表里只是排查方向，判断要由熟悉产线的人来做。
缺陷类型与样例图：占比是统计，样例图是证据
缺陷分布能提示问题集中在哪个环节：磕碰、划伤这类表面缺陷通常与采收和搬运有关，成熟度偏差与采收时间、产地有关，异物更多和来料、包装环节相关。样例图用来核对模型判断与人眼、与企业标准是否一致。同一类别下如果混着明显不属于它的样例，说明标准设置或模型需要调整，占比数字再整齐也不能直接采信。
成熟度和内部品质肉眼看不出来，多半来自光谱推断，背景可以参考水果内部品质与光谱。
光谱与检测记录：给结果留一份可追溯的底
缩略光谱不需要逐个波长去读，看的是曲线形状与同品类常见样品是相近还是偏离；偏离明显，往往意味着品种、产季或设备状态有变化。检测记录则是追溯的底账：什么时候、哪条线、哪个批次。模型上线后的准确率会随光照、相机、品种而漂移，原因见从实验室到工厂的准确率变化，检测记录正是发现漂移的线索。
置信度与复检提示：为什么低置信度要人工复核
模型给出一个等级时，背后通常有一个置信度。低置信度样本往往属于这几种：落在两个等级边界上的，被反光或遮挡影响的，与训练时见过的品种和季节差异较大的。这类样本自动判定出错的可能性更高，人工复核的价值也最大。App 标出复检提示时，可以当作分流信号，先看这一部分，不必全批重检。
还有一点容易被忽略：置信度高并不等于正确率高。只有经过校准的置信度，才可以粗略理解为“类似情形下判对的比例”。是否做过校准，要看当前版本的说明，界面上的一个数字本身证明不了这一点。
一条边界
App 里的等级是按企业设定的分级标准算出来的，标准一变，同一批货的占比就会变。涉及对外报告或质量争议时，依据仍是双方约定的检验方法和留样复核，App 的结果用于分流、排序和日常监控。这批货的风险与供应商情况也要一起看的话，接着读食品安全风险与供应商。