Halcon深度学习训练工具(DLT)是一款强大的软件工具，用于训练和优化深度学习模型。DLT提供了丰富的功能，使用户能够快速、高效地构建和训练自定义的深度学习模型，并将其集成到Halcon视觉应用程序中。
DLT支持多种深度学习架构，包括常见的卷积神经网络(CNN)和循环神经网络(RNN)等。用户可以通过简单的图形界面来构建网络结构，选择合适的层和激活函数，并设置网络的参数。DLT还提供了一系
本手册向您介绍了重要的机器视觉方法。要指导您从特定的应用程序到要阅读的文档的各个部分，本节列出了公共应用程序区域和用于它们的方法。通常，许多应用程序使用以下方法：第23页上的图像采集，以便通过图像采集设备或通过文件访问图像。•在253页上的•可视化，例如，人工创建的图像或图像处理任务的结果。•第27页感
模板匹配中有基于点、基于灰度值、基于描述符、基于相关性、基于形状、基于组件的方法。 大体流程：抠图 → 创建模板 → 寻找物体 → 仿射变换 → 显示基于相关性的模板匹配在创建模板时，会将模板角度转为0°； 基于形状的模板匹配在创建模板时，会将模板角度转为0°，并且同时将坐标移到图像左上方(0,0)的位置。基于相关性的模板匹配1、 demo - 模板匹配(基于相关性) - find_ncc_mod
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
前言1卡尺工具介绍Halcon中的Metrology方法即为卡尺工具，可用来拟合线，圆，这种方法对于目标比背景很明显的图像尺寸测量是很方便的，不需要用blob进行边缘提取等，但缺点也很明显，需要目标的相对位置基本不变才行。2匹配方法概念HDevelop开发环境中提供的匹配的方法有三种，即Component-Based、Gray-Value-Based、Shape-Based,分别是基于组件的匹配，
一、Halcon17之后就已经推出了深度学习模块,之前一直没太关注过，最近一个项目需要用到目标检测，于是研究了Halcon深度学习三大模块，图像分类，目标检测，语义分割。并总结出来，供有缘人参考。二、我使用的halcon版本是Halcon18.11，别的版本类似，在此不做阐述。欲使用Halcon深度学习，需要提前安装Halcon18.11.0.1-windows以及halcon-18.11.0.1
一.创建模板算子 1.创建ncc模板create_ncc_model( Template : : NumLevels, AngleStart, AngleExtent, AngleStep, Metric : ModelID )参数介绍：Template（in）：搜索的图像，要作为模板的图案NumLevels（in）：金字塔的最大层级（如果NumLevels设置为'auto'或0,cre
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
HALCON 21.11：深度学习笔记---模型(8)HALCON 21.11.0.0中，实现了深度学习方法。本章阐述了HALCON中深度学习(DL)模型的一般概念和数据处理。从概念上讲，HALCON中的深度学习模型是深度神经网络的内部表示。每个深度神经网络都有一个定义其功能的架构，即它可以用于的任务。一个功能可以有多个可能的网络架构。目前，以下功能的网络在HALCON中作为模型实现：异常检测，参
第一课 halcon软件介绍第二课 讲了数组和文件的两个示例（记住活学活用）第三课1、 介绍了usb摄像头，安装驱动、连上usb就可以用了（可在淘宝上买一个，卖家会发驱动）。2、 文件-读取图像，可以把图像读取出来3、 可视化-更新窗口-在单步模式- 总是 / 从不 / 清空并显示 总是：下一图像会对上一图像进行覆盖 从不：不会覆盖，需要调用dev_display（）函数显示图像 清空并显示：清空
转载
2023-09-29 11:47:37
207阅读
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：
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
# Halcon 深度学习训练工具中的 ClassID 设置指南
Halcon 是一家知名的工业视觉软件提供商，它的深度学习工具能够为机器视觉应用提供强大的支持。在使用 Halcon 进行深度学习模型训练时，设置 ClassID 是一个关键步骤。ClassID 用于标识不同的目标类别，如同一个项目中可能需要识别的多种物体。本文将详细介绍如何在 Halcon 中设置 ClassID，同时还提供相应
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
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
