持更应用范围（罗列自官方帮助文档，以后有空了按照需求展开叙述）
1. 安全系统
2. 表面检测
3. 定位
4. 二维测量比较
5. 二维码识别
6. 二维位置定位
7. 二维物体识别
8. 光学字符识别
9. 机器人视觉
10. 交通监视和驾驶辅助系统
11. 三维测量比较
12. 三维物体定位
13. 三维物体识别
14. 特征检测
15. 完整性检测
16. 颜色检测
17. 一维码识别
文章目录前言一、思路二、测试--结果三、源码总结 前言基于Halcon的指针识别 一、思路首先从原图像中选择一块多边形区域，使之包围指针部分，将该区域分割出来，作为参考的形状模板；接着确定形状模板的金字塔层的级数和对比度参数；然后创建形状模板，并检查创建出的形状模板轮廓是否理想；最后，读取检查图像进行模板匹配，从图像上获取指针形状的位置坐标和旋转角度。二、测试–结果三、源码*指针识别
*清空显
转载
2024-09-29 14:50:47
238阅读
select a.table_schema,a.table_name from information_schema.tables a left outer join information_schema.table_constraints b on a.table_schema = b.table
原创
2022-08-03 06:33:13
36阅读
【《zw版·delphi与halcon系列原创教程》zw版_zw中文增强版Halcon官方Delphi例程 2016 zw中文增强版（delph2007，HALCON 11.01） 主要改动之处： :: 将位于窗口class的私有变量，改为全局变量，便于分析，修改 :: 增加大量中文注解 :: 将原版的批量自动测量，改为手动单幅测量，便于观测效果 :: 多处节点，增加图像文件输出，便于理解，观测运
转载
2024-05-20 22:18:37
58阅读
0、所需了解的知识数据集数据集的类别已有不需要另外指定，这是因为在读取之前已有数据集的时候，数据集中就会包含了许多数据，其中结构如下：包括类别序号以及类别名字预训练模型或者模型 预训练模型也有了基本的参数，如下所示：训练集、验证集以及测试集的区别： 一般会认为训练集、验证集以及测试集没有很大区别，但是在halcon由于比较固定和标准，所以三者的作用是区分开来的，比如：训练集：用来对模型的数据进行训
转载
2024-03-20 13:40:18
123阅读
一般在做项目时，无论是边缘检测、瑕疵检测、Blob检测等应用，都有一定的通用套路，也可以说是通用处理框架，在此框架下根据具体应用具体分析，基本上所有项目都可完成。总结起来，通用套路 + 灵活运用对于初学者来说，只需掌握通用套路即可，灵活运用需要经过大量的练习才可达到，运用大学里学马克思哲学时的一句话概括，“量变引起质变”，当你达到这个程度之时，俨然成为集大成者了。边缘检测通用思路：设置ROI感兴趣
转载
2023-12-01 09:03:48
354阅读
前言此文针对《halcon机器视觉实例1》中遗留问题的进阶。
照例不喜欢贴代码，而是阐述见解。
本文还是以官方例程为例--find_scratches_bandpass_fft。
其实就是通过快速傅里叶变换来检测划痕。正文先前是通过均值滤波+动态阈值分割提取的特征。
其实就是通过灰度值平均后，与原图的比较来凸显特征。
这种方式其实对噪声的去除效果有限。对比如下：第一张图是非fft的，第二张是fft
转载
2024-04-04 11:31:44
716阅读
# Android 检测网络连接状态
在现代社会中，我们离不开互联网的支持。而对于手机应用程序来说，检测网络连接状态是一项非常重要的功能之一。在本文中，我们将介绍如何在 Android 应用程序中检测网络连接状态，并提供了相应的代码示例。
## 检测网络连接状态
在 Android 中，我们可以使用 `ConnectivityManager` 类来检测设备的网络连接状态。通过调用该类的 `g
原创
2024-02-04 09:50:16
97阅读
Region参数
缺陷类型
1.边缘凹凸检测2.内部凸凹点、瑕疵、污点、内部烫伤、孔洞3.划痕（用低角度环形光进行打光，将划痕打亮，背景打暗；也可用同轴光，让表面反光不明显）
缺陷图像处理
1.blob分析+特征提取2.blob分析+特征提取+差分3.频域+空间域4.光度立体化5.特征训练6.测量+拟合
halcon算子
1 *二值化 输入图像 输出区域
转载
2021-02-24 14:39:00
1701阅读
2评论
前言这个是开始halcon机器视觉的第一篇。
为什么要用halcon呢，因为有很多现成的算子，方便快速应用。
后续的计划是一边熟悉halcon，一边刷刚萨雷斯的《数字图像处理》。正文以官方例程的surface_scratches(表面划痕)为例1，根本不可能仅以灰度值作为判断划痕的依据。 因为，划痕像素点的灰度值与非划痕处像素点的灰度值，不可能正好是一个二值分割的关系。简单点说，就是–不可能划痕区
转载
2024-01-22 14:46:12
345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：halcon——缺陷检测常用方法总结（光度立体） - 唯有自己强大 -特征训练测量拟合频域+空间域结合：halcon——缺陷检测常用方法总结（频域空间域结合） - 唯有自己强大 -深度学习本篇主要总结一下缺陷检测中的定位+差分的方法。即用形状匹配，局部变形匹配去定位然后用差异模型去检测缺陷。模板匹配（定位）+差分
转载
2024-05-06 07:48:33
906阅读
第六章-缺陷检测关于缺陷检测回顾工业视觉的任务常见的缺陷与对应算法常见的缺陷有:对象轮廓凸凹不平
非曲面轮廓的: 凸点斜光打亮,凹点垂直光打暗曲面轮廓的:对象内部污点、内部凸凹点、瑕疵点、空洞和破损等对象表面划痕
打光,采用低角度环形光 & 同轴光总结:检测缺陷的几个方法如下打光,光的角度光源选型,如波长图像处理算法:
blob分析+特征检测blob分析+特征检测+差分频
转载
2024-04-13 12:21:55
1594阅读
缺陷检测是视觉需求中难度最大一类需求，主要是其稳定性和精度的保证。首先常见缺陷：凹凸、污点瑕疵、划痕、裂缝、探伤等。常用的手法有六大金刚（在halcon中的ocv和印刷检测是针对印刷行业的检测，有对应算子封装）：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。频域结合空间，其实频域就是用波动观点看世界，看问题角度变了，光经过镜头其实发生的是傅立叶变
转载
2024-01-25 18:44:14
197阅读
1.缺陷分类： 边缘凹凸、毛刺 内部污点、内部凹凸、特定空洞、破损 划痕（一般用低角度环形光和同轴光源） 凸点一般用带角度的光源斜着打，背景打亮，凸点打暗。 凹点一般用平行光从上往下打，背景打亮，凹点打暗。2.缺陷处理的方式： Blob+区域特征：cheak_blister.hdev(检测胶囊缺失和错误) Blob+区域特征+差分：fin.hdev(边缘凸起的检测) 频域+
转载
2023-12-03 11:55:41
855阅读
文章目录处理要求处理方法1方法一思路方法一halcon源码处理效果处理方法2方法二思路方法二halcon源码处理效果 处理要求椭圆/圆环（产品易变形，为椭圆）内外圆毛刺（凸起）缺口（凹陷）检测。处理方法1方法一思路1、这是一个圆环产品检测，我们可以通过产品区域与标准圆环进行比较得出不良区域。 2、为了避免误检、误判，我们可以通过区域筛选阈值偏移的方法滤除干扰区域，可以将标准圆环放大消除一些圆度导致
转载
2024-05-01 14:27:45
2921阅读
这篇文章，偏工程实用，不是学术界意义上的检测综述，所以，有些阐述，过于绝对化。挑着看吧。人脸检测系列博文共分五部分：《人脸检测背景介绍和常用数据库》，介绍人脸检测的背景，常用数据库和评价指标，重点介绍各类算法的发展现状和各数据库上目前算法的性能速度水平；《非深度学习的人脸检测》，介绍以VJ为代表的非深度学习人脸检测算法，重点介绍速度比较快的简单特征级联系列，和性能比较好的通道特征系列，DPM系列速
一直以来，对于手眼标定所涉及到的坐标系及坐标系之间的转换关系都没能有一个很好的理解，最近找了halcon手眼标定的实例在研究，发现对于相机的两种安装方式（眼在手和眼在手外），其坐标转换关系是类似的，这样说好像太抽象了，下面具体说说。我觉得标定最基本的是要将坐标系理清楚，这里涉及到的坐标系有四个：机器人基坐标系base、法兰上的工具坐标系tool、相机坐标系camera和标定板坐标系cal；此外，涉
转载
2024-09-13 06:45:20
50阅读
R-CNN： Region with CNN feature，是一个双阶段目标检测算法系列。 内容基于 b站霹雳吧啦Wz 博主，讲的很好，这里只是做简要总结。R-CNN：只有Feature extraction是CNN，其他是传统的机器学习方法。关键步骤：SS得到约2k个候选区域将约2k个候选区域分别使用AlexNet提特征，将提的特征用SVM做分类（假设分类20类，即voc数据集的类别数）。然后
转载
2024-09-24 19:28:19
97阅读
打开halcon，按下ctrl+e打开halcon自带例程。方法->二维码识别->2d_data_codesrectify_symbol.hdev*This program demonstrates how to read a slanted
* 2d data code by preprocessing with rectification
*
dev_update_off()
de
过程： 反向投影，meanShift算法，camShift算法。简要概述：基于颜色分布的目标跟踪（需将RGB空间转到HSV空间，利用H分量计算） 反向投影：利用直方图，求输入图中对应像素在目标图中的概率（出现次数频率），作为输出图对应像素的值。 meanShift算法：均值漂移，知道收敛到设定值。  
