目录前言一、准备1、选取深度学习的分类模型2、获取模型中所使用图像的参数要求3、准备分类所需图片二、编写代码1、设置窗体2、将图片打上标签3、将图片处理为分类模型所需要的图片4、将图片的数据集进行拆分5、设置分类模型所需的参数和环境后，重新生成一个新的分类模型6、训练7、验证8、测试三、本地函数四、下载地址 前言最近学习深度学习时的一些总结和看法，参照深度学习的自带案例（classify_fru
文章目录前言一、数据集的准备1.标注工具的安装2.数据集的准备3.标注数据4.解释xml文件的内容二、数据转换1.解析XML文件2.转换得到hdev文件1.变量定义2.读取种类3.解析trainList.txt4.生成字典三、模型训练1.参数定义2.创建目标检测模型3.数据预处理4.显示标注文件5.模型训练1.学习率设置2.初始化训练模型3.模型训练四、模型评估1.初始化模型2.创建模型及训练模
引言机器视觉中缺陷检测分为一下几种：blob分析+特征模板匹配（定位）+差分光度立体特征训练测量拟合
频域+空间域结合：深度学习本篇博文主要是对缺陷图像的纹理特征训练进行详细分析。特征训练在纹理中找瑕疵。基于高斯混合模型（GMM）分类器的纹理检查模型，适用于图像金字塔，可以分析纹理的多个频率范围。要求：训练样本必须完美无瑕疵。整体步骤：创建模型create_texture_inspection_m
HALCON 20.11：深度学习笔记(2)HALCON 20.11.0.0中，实现了深度学习方法。由于上面提到的DL方法在它们的作用和它们如何需要数据方面各不相同，所以您需要知道哪种方法最适合您的特定任务。一旦清楚了这一点，您就需要收集适当数量的数据，也就是图像和方法所需的信息。然后，所有这些DL方法都有一个通用工作流：1. 准备网络和数据（Prepare the Network and the
1、append_ocr_trainfappend_ocr_trainf(Character, // 选中当前目标
Image, // 目标对应图片
Class, // 字符的类别(名称)
TrainingFile) // 培训文件的名称定义：向训练文件中添加字符说明操作符append_o
HALCON官网Halcon复习专题-镜头/匹配/标定/边缘/拟合/缺陷检测/【Halcon 编程】Halcon编程问题总结halcon视觉缺陷检测常用的6种方法1.blob+特征 2.blob+差分+特征 3.光度立体 4.特征训练 5.测量拟合 6.频域+空间结合halcon——缺陷检测常用方法总结（频域空间域结合）图像滤波噪声模型，主要有高斯，瑞丽，伽马，指数，均匀，椒盐，周期等 椒盐噪声：
Halcon提供了预训练网络。这些网络在使用前已经经过丰富的图像库训练过，在此基础上训练出的网络对于图像分类任务表现更好。接下来分别介绍Halcon提供的预训练网络。pretrained_dl_classifier_compact.hdl模型网络的优点是节省内存以及运行效率高。 模型支持‘real’图像类型。如果想知道网络模型各参数值，可以使用算子get_dl_classifier_param获取
1、set_dl_model_param(DLModelHandle, 'gpu', GpuId)
GpuId=0 选中第一块显卡做深度学习训练。
GpuId=1 选中第二块显卡做深度学习训练。
类推查询可用多显卡信息
query_available_compute_devices(DeviceIdentifier) //一块显卡输出[0]，两块是[0,1]，依次类推get_compute
转载
2023-06-29 15:53:06
955阅读
HALCON示例程序bottle.hdev、bottlet.hdev瓶体字符OCR的训练和检测示例程序源码（加注释）1、先介绍bottlet.hdev（训练OCR识别文件）*定义一个字符串变量FontName ，内容是bottleFontName := ‘bottle’ *第一步分割字符，以便单独对字体进行训练Step 1: Segmentation *窗口显示更新关闭dev_update_win
转载
2023-08-25 01:29:18
292阅读
引言主要讲述几种halcon中经常用到的一些阈值分割算子。1，全局阈值分割threshold(Image : Region : MinGray, MaxGray : )全局阈值分割，适用于环境稳定，目标与背景存在明显的灰度差的场合。(即根据高低双阈值将图像分为前景和背景)利用灰度直方图确定阈值进行图像分割。一般是物体与背景之间存在一个明显的灰度差，直方图会存在两个波峰一个是目标一个是背景，那么阈值
缺陷检测——机器学习写在前面1. create_ocr_class_mlp1.1 ocr识别就只能识别ocr吗？1.2 简单的图形分类2. create_class_mlp2.1 将区域作为训练对象2.2 基本流程和算子2.3 看一个案例 写在前面这篇文章只是讲解了一些非常简单的halcon里机器学习的案例，所以只能初步给大家呈现一下机器学习的基本步骤。不要试图用很短的时间或者很少的精力就能学好
记录大学作品，先展示一下最终成品 运行前识别通过 识别不通过 目前用网络上图片测试，识别精确度大概85%，后续进一步提高精准度，并可能加入人脸识别提示框，提高受检人可视度。言归正传，要实现halcon和c#联合口罩佩戴实时识别，以下步骤：一、深度学习训练网络模型首先， 使用halcon提供的深度学习工具箱开发深度学习模型，进行深度学习模型的开发和训练，训练好模型后，将模型保存为.hdl文件。以下是
2016年11月1日，来自德国的机器视觉软件领导者MVTec Software GmbH宣布HALCON 13软件发布，该版本提供了非常多新的特性和提升，其中一些重要的更新如下：速度提升 HALCON 13对算法的速度进行了进一步的优化，HALCON算法系统的平均速度在支持AVX和AVX2的Windows系统中提升14%，在Linux系统中提升18%。HALCON 13中有许多常用算法的
代码不是很鲁棒，所以换一张图片，Blob分析的结果有很大的可能是提取不到下面九个字，不过处理的方法和流程是相同的，可以参考参考。其他没有什么好说明的，信息全在注释里面，原图有点大，这里只贴个部分截图。代码如下：*
******提取原图“机器视觉算法与运用”这个9个字
*
dev_close_window ( )
dev_update_window ('off')
read_image (Chain
Halcon提供了预训练网络。这些网络在使用前已经经过丰富的图像库训练过，在此基础上训练出的网络对于图像分类任务表现更好。接下来分别介绍Halcon提供的预训练网络。 1.pretrained_dl_classifier_compact.hdl模型 网络的优点是节省内存以及运行效率高。 模型支持‘real’图像类型。如果想知道网络模型各参数值，可以使用算子get_dl_classifier_par
Halcon提供三种类型神经网络：1、Classification（分类）2、Object Detection（目标检测）3、Semantic Segmentation（语义分割）工作流程： 一、准备网络和数据使用的网络：可以使用预训练过的网络或者创建一个新的网络，我使用的是18.11.1.0版本有三种网络供选择： 'pretrained_dl_cl
图像二值化是图像分析与处理中最常见最重要的处理手段，二值处理方法也非常多。越精准的方法计算量也越大。一、threshold-全局固定阈值分割threshold(Image : Region : MinGray, MaxGray : )使用全局固定阈值分割图像，阈值从输入图像中选取灰度值g满足以下条件的像素点满足条件的图像的所有点作为一个区域返回。如果传递多个灰度值间隔(MinGray和MaxGra
图像二值化的目的概括来说就是将感兴趣区域与背景分离出来，从而便于图像的进一步处理。除了常规阈值分割算子threshold，下面介绍一些halcon中另一些常用的图像阈值分割算子：dyn_threshold— 使用动态阈值分割（一般在缺陷检测的时候使用） 描述 ：当前背景之间差异明显时，可以设定全局阈值进行t
# 实现halcon深度学习训练软件教程
## 1. 整体流程
首先，让我们来看一下实现“halcon深度学习训练软件”的整体流程。下面是详细的步骤：
| 步骤 | 操作 |
| ---- | ---- |
| 1 | 安装halcon深度学习训练软件 |
| 2 | 准备训练数据集 |
| 3 | 设计深度学习模型 |
| 4 | 训练模型 |
| 5 | 测试模型 |
| 6 | 部署模
HALCON 21.11：深度学习笔记(2)HALCON 21.11.0.0中，实现了深度学习方法。由于上面提到的DL方法在它们做什么以及它们如何需要数据方面各不相同，所以您需要知道哪种方法最适合您的特定任务。一旦清楚了这一点，您就需要收集适当数量的数据，也就是图像和方法所需的信息。然后，所有这些DL方法都有一个通用工作流：1. 准备网络和数据（Prepare the Network and th
