同一模型在一种扫描来源正常，换来源后失误增多，可能是输入分布发生了变化。
本文使用2018 年固定 Darknet 提交、YOLOv3 与独立文档数据划分。继续研究检测模型时，先保证数据定义、预处理和评估口径稳定。文中方法和预期不代表已经获得某个准确率或部署成绩，真实结论必须来自记录完整的实验。
1. 从现象推到机制
颜色、锐化、压缩、分辨率和背景都会改变视觉特征。域偏移不能只靠全量平均指标发现，应按来源分组。输入质量检查可以筛出明显异常，但不能用“拒绝所有难图”伪造高准确率。
图中的四个节点分别表示输入来源、固定实现、分组评估、适应措施。顺着实线检查输入如何变成输出，再沿虚线核对反馈条件。图示表达的是本文讨论的关系，不是实测曲线或现场截图。
2. 最小实现与输入条件
用合法匿名或合成退化样本建立来源分组，比较错误类别与几何尺寸。保持模型固定，先确认变化来自输入而非部署配置。
1
2
3
4
group by source / resolution / color mode
fixed model and preprocessing
measure per-group errors and rejection rate
inspect representative failures before retraining
每次只改变一组关键因素，保存配置、权重、数据清单与输出。训练、验证和测试职责分离，难例分析保留匿名原始证据，不通过删除失败样本改善表面指标。
3. 用对照区分原因
下表列出需要主动改变的条件。预期行为来自机制分析，复现时还需记录运行环境和原始输出，不能将预期当作已经测得的结果。
| 改变的条件 | 需要验证的行为 |
|---|---|
| 新来源多为灰度图 | 颜色依赖方案可能明显退化 |
| 部署同时改变预处理 | 需先排除实现差异 |
| 增加质量拒绝规则 | 应同时报告拒绝比例和任务覆盖 |
对照 1：新来源多为灰度图
颜色依赖方案可能明显退化。观察时记录按来源拆分的错误。把这个条件与基准情形分开，有助于判断变化来自哪一层；若得到相反结果，应先核对前提，再修改实现。
对照 2：部署同时改变预处理
需先排除实现差异。观察时记录完整模型发布组合。把这个条件与基准情形分开，有助于判断变化来自哪一层；若得到相反结果，应先核对前提，再修改实现。
对照 3：增加质量拒绝规则
应同时报告拒绝比例和任务覆盖。观察时记录通过样本与全部输入的分母。把这个条件与基准情形分开，有助于判断变化来自哪一层；若得到相反结果，应先核对前提，再修改实现。
4. 适用条件与取舍
新来源验证应包含独立原件。用旧图变换能帮助研究，但不完全代表新扫描设备的真实退化。
一次正常运行只覆盖了这组输入。继续扩展前，应把上面的异常对照保留下来，尤其关注“增加质量拒绝规则”这一分支。后续方案若改变了图中任意一处依赖，原来的判断就要重新验证，不能仅凭界面相似或返回值相同沿用结论。
