Halcon 程序结构_程控条纹光源-优快云博客

Halcon 程序结构

读取/采集图像（read_image / grab_image）获取待处理的原始数据；
处理图像：预处理 - 分割 - 特征提取；
输出结果（disp_region / write_excel）将判定结果显示或输出；
释放资源（clear_image / clear_vars）清理内存，防止程序跑久崩溃。

每次不一样的任务其实只需要调整第二步即可。

场景一：表面缺陷检测

读取图像 → 预处理（滤波去噪）→ 分割（动态阈值）→ 特征提取（connection + select_shape）→ 输出结果

场景二：字符识别 OCR

读取图像 → 定位（模板匹配 find_shape_model）→ 分割（提取字符区域）→ 识别（调用 do_ocr_multi_class_mlp）→ 输出文本结果

场景三：高精度边缘测量

读取图像 → 定位 → 亚像素边缘提取（edges_sub_pix）→ 几何拟合 → 计算距离/角度 → 输出结果

图像预处理

一、看“图像本身”

有噪点（雪花点、椒盐噪点）：用 median_image（中值滤波）或 gauss_filter（高斯滤波）；
光照不均匀（一边亮一边暗）：用灰度形态学 gray_tophat（顶帽变换）提取局部特征，或者用 emphasize 增强局部对比度，甚至用 scale_image 进行全局拉伸；
有规律的周期性纹理（如布匹织纹、金属拉丝）：频域滤波（fft_generic + convol_fft），把特定频率的纹理直接抹掉；
目标与背景对比度太低（灰蒙蒙的）：用 emphasize 锐化边缘，或者 scale_image 增强对比度。

二、看“后续任务”需要什么

Blob分析 / 阈值分割：做对比度增强、光照补偿，确保目标和背景的灰度差足够大；
边缘提取 / 卡尺测量：先做平滑滤波（如 gauss_filter），把毛刺抹平，然后再用 emphasize 把真正的物理边缘锐化；
形状模板匹配：不需要预处理。

三、看“缺陷类型”

检测表面微小划痕：划痕是高频信息。用 emphasize 或高通滤波，把高频细节放大；
检测表面污点/色斑：污点是局部灰度异常。用 gray_tophat（顶帽变换）或者 dyn_threshold（动态阈值），过滤掉大面积的背景，只留下局部的异常点。

分割

1. 阈值分割（`threshold`）

核心原理：设定一个灰度临界值，大于它的归为前景，小于它的归为背景。
适用场景：光照均匀、对比度极高、背景单一的场景。例如：文档扫描、印刷字符提取、黑白二维码分割、纯色工业零件检测。
局限性：一旦遇到颜色渐变、阴影或复杂纹理，就会彻底失效。

2. 边缘分割（Edge Detection）

核心原理：寻找物体和背景灰度突变的地方（边缘），然后将边缘闭合形成轮廓。
适用场景：简单几何工件的轮廓提取、零件尺寸检测。
局限性：对噪声极度敏感，容易产生大量碎边缘；如果物体边缘有轻微断裂，就无法形成完整的轮廓。

3. 区域类分割（Region Growing & Watershed）

核心原理：把特征相近、空间连通的像素合并为完整区域。
适用场景：
- ① 漫水填充（FloodFill）：适合交互式的单色块提取、污渍标记。
- ② 分水岭算法（Watershed）：这是传统算法中的“大杀器”，唯一能分割堆叠、粘连颗粒的方法（例如药片计数、细胞分割、重叠的米粒）。
局限性：分水岭算法对噪声敏感，容易出现“过分割”（把一个物体切成好几块），且预处理流程非常复杂。

4. 聚类方法（Clustering）

核心原理：用 K-Means 或 Mean-Shift 等算法，根据像素的颜色、纹理相似度自动将像素分组。
适用场景：人像美颜预处理、纹理平滑分割、不需要先验知识的场景。
局限性：对高维特征处理能力弱，极易受光照影响，且运算耗时。

参数设定

一、物理约束

滤波掩膜尺寸（Mask Size）：比如中值滤波或形态学操作，掩膜尺寸必须大于要去除的噪点尺寸，但又要小于要保留的缺陷尺寸。
形态学结构元素：如果要断开两个相距 5 像素的粘连区域，腐蚀算子（Erosion）半径就必须大于 2.5。
面积筛选阈值（Area）：在 select_shape 中，测量 10 个正常样本，找出其中最大噪点的面积，然后在此基础上乘以 1.5 到 2 倍作为下限。

二、统计学法

动态阈值（dyn_threshold）的 Offset：这个参数决定了灵敏度。先提取正常背景区域的灰度值，计算其标准差（Standard Deviation）。Offset 通常设置为标准差的 2 到 3 倍，这样就能在统计学上保证把正常的背景波动过滤掉，只抓真正的缺陷。
模板匹配的 MinScore：不要盲目设为 0.8。采集 20 张良品图跑一遍匹配，记录下最低的匹配分数（比如是 0.75）；再拿几张有遮挡或光照变暗的图跑一遍，看看分数掉到了多少（比如 0.65）。MinScore 就应该设定在这两者之间（如 0.7）。

三、参数联动与协同法

Canny 边缘检测的联动：在提取亚像素边缘（edges_sub_pix）时，如果发现边缘断断续续，通常是因为 Canny 的高阈值（High Threshold）设得太高了。这时候，不仅要降低 High Threshold，还要联动降低 Low Threshold（通常保持 High 是 Low 的 2 到 3 倍），这样才能找回丢失的边缘。
形状匹配的金字塔层级（NumLevels）与对比度（Contrast）：金字塔层级越高，匹配速度越快，但会丢失细节。如果处理的是高反光金属件，适当减少金字塔层级，同时调低 MinContrast，反而能大幅提高匹配的稳定性。

四、边界测试法

极限测试：假设找到了一个完美的 Offset=15。试着把它调到 10，看看会不会误报；调到 20，看看会不会漏检。如果 12 到 18 之间都能稳定检测，那么 15 就是一个极其安全的参数。
鲁棒性验证：把产线上光照最亮、最暗、产品位置最偏的几张“极端图”拿出来跑一遍。如果在你设定的参数下，这些极端图依然能 OK，参数才算真正合格。

相机标定

相机内参标定（解决镜头畸变问题）

在工业现场，由于镜头并非理想的光学模型，拍摄出的图像往往会产生形变（比如直线在边缘变弯曲了，这被称为径向畸变或枕形/桶形畸变）。相机内参标定的核心目的，就是计算出镜头的畸变系数，把弯曲的图像“拉直”，从而保证后续的高精度测量不出现偏差。

第一步：准备标定板描述文件（`create_calib_data`）

使用现成的描述算子 calibrate_hand_eye_cam_plate.descr

第二步：采集多张标定板图像（`find_calib_object`）

让相机从不同角度、不同位置、不同倾斜度拍摄标定板（通常需要 10~20 张，确保覆盖视野的中心和边缘）。这个算子会在图像中自动寻找标定板的特征点（如棋盘格的角点），并将这些 3D 世界点与 2D 图像点建立对应关系。

第三步：执行标定计算（`calibrate_cameras`）

让 Halcon 的底层算法去解算相机的内部参数。它会根据上一步提取的特征点，自动计算出相机的焦距、光轴中心以及畸变系数等内参。

第四步：获取结果并校正图像

拿到参数后，就可以用来校正后续拍摄的图像了。

get_calib_data：提取计算出的相机内参；
change_radial_distortion_cam_par / gen_radial_distortion_map：生成畸变校正映射；
map_image：将原始畸变图像映射为校正后的完美图像。

手眼标定（解决像素到物理坐标的转换问题）

本质是求解一个数学转换矩阵，在相机坐标系和机器人坐标系之间架起一座桥梁，让机器人能够理解相机视野中目标物体的三维位置和姿态，并规划出精准的抓取或操作路径。

一、首先根据你的硬件安装方式选择对应的模式

眼在手外：相机固定安装在机器人外部的工作区域，视野广阔，观察机器人末端的运动。
眼在手上：相机安装在机器人的末端执行器（法兰）上，随着机械手一起移动，适合抓取大范围或深箱内的物体。

二、数学原理

手眼标定的核心是求解一个 4x4 的齐次变换矩阵。在数学上，这通常被抽象为经典的 AX = XB 方程：

A：机器人末端执行器的运动变换矩阵（基坐标系到末端坐标系）。
B：相机观察到的目标（标定板）运动变换矩阵（相机坐标系到目标坐标系）。
X：待求的手眼变换矩阵（相机坐标系到机器人基坐标系的转换）。

三、工作过程

1. 硬件准备与安装

根据任务需求确定安装模式（Eye-in-Hand 或 Eye-to-Hand），并准备好高精度的标准标定板（如棋盘格或圆点阵）。确保机器人底座、相机支架安装牢固，且相机已进行预热暖机。

2. 采集标定数据

控制机器人带动标定板（或相机）运动到多个不同的位置和姿态。建议采集 9-12 组数据，确保覆盖相机视场的主要区域，避免边缘死角。每次移动后保持静止，记录此时机器人末端的物理位姿，同时控制相机拍摄图像并提取特征点坐标。

3. 图像处理与特征提取

对采集到的图像进行分析，精确提取标定板上的特征点。在处理反光或复杂表面时，需调整好光源和相机参数，确保标定板特征点清晰可见，为后续计算打下坚实基础。

4. 求解手眼关系

利用采集到的多组机器人位姿和图像特征数据，通过专门的数学算法（如 Tsai-Lenz、Kronecker 积法等）进行求解，计算出相机坐标系与机器人手部坐标系之间的转换矩阵。

5. 精度验证与优化

标定完成后必须进行验证。通过让机器人移动到由相机定位的某个目标点，检验实际到达位置与理论位置的误差（通常通过重投影误差或变换误差来评估）。如果误差较大，可通过非线性优化算法进一步减小误差。

halcon

create_hand_eye_calibration (HECModelID)
set_hand_eye_calibration_pose
calibrate_hand_eye

四、把相机看到的像素坐标，精准转换为机械手能懂的物理坐标

image_points_to_world_points：把图像上的 2D 像素坐标 (Row, Column)，结合相机的内参，转换成相机坐标系下的 3D 物理坐标 (X, Y, Z)。Z 轴通常需要自己设定。
create_pose：把上一步算出的相机坐标系下的 (X, Y, Z) 坐标，打包成一个 Halcon 专用的“位姿（Pose）”变量。
pose_compose：将两个位姿矩阵相乘。最终机械手位姿 = 手眼标定矩阵 (HandEyeMatrix) × 目标在相机下的位姿 (CamPose)

算法性能优化

一、算法与代码逻辑优化

1. 限定 ROI 区域（`reduce_domain`）

先用模板匹配或粗定位找到目标，用 reduce_domain 框出关键区域，后续所有算子只在这个小区域内运行。

2. 模板匹配性能调优

金字塔层数（NumLevels）：高对比度目标设 3-5 层，低对比度设 1-3 层。层数越多速度越快，但容易丢失细节；
贪婪度（Greediness）：速度要求高时调大（如 0.9），精度要求高时调小；
切记：千万不要在 for 循环内创建模板！create_shape_model 必须在循环外执行一次，循环内只调用 find_shape_model。在循环内建模板是性能灾难，还会导致内存泄漏。

3. 组件匹配

在复杂装配体检测中，使用 find_component_model 时，将搜索策略设为 'prune_branch'。一旦发现缺失组件就提前终止搜索，能将检测时间大幅缩短。

二、Halcon 自动并行化（AOP）与多核加速

Halcon 默认开启了自动操作员并行化（AOP），它会自动将图像数据切分给多个 CPU 核心处理。

halcon

* 获取当前系统核心数和线程池状态
get_system ('processor_num', ProcessorNum)
get_system ('thread_num', ThreadNum)

* 查看 AOP 是否开启（默认是 true）
get_system ('parallelize_operators', AOP)

如果默认 AOP 效率不高，可以使用 optimize_aop 算子。它会通过几小时的硬件测试，为你的 CPU 生成最优的并行策略文件（.aop_info），以后运行程序会自动加载。

三、硬件级加速（GPU 提速）

对于极其耗时的图像处理（如大尺寸图像的频域滤波、复杂的深度学习推理），可以调用 GPU 加速。使用 GPU 加速前必须先关闭界面的自动刷新（dev_update_off()），否则图像在 CPU 和 GPU 之间频繁传输反而会拖慢速度。

异常处理与工程鲁棒性

一、Try-Catch 异常捕获机制

防止程序崩溃的最有效手段。当 Halcon 算子遇到致命错误（比如读取了不存在的图片、相机未连接）时，它会抛出异常（Exception）。如果不捕获，程序就会直接停止运行。

在 HDevelop 中，使用 try...catch...endtry 将可能出错的代码包裹起来：

halcon

try
    * 尝试执行可能出错的代码（例如读取图像）
    read_image (Image, 'D:/images/cam_01.png')
catch (Exception)
    * 如果出错，程序不会崩溃，而是跳到这里
    * Exception[0] 包含了错误代码（例如 5200 表示文件未找到）
    dev_get_exception_data (Exception, 'error_message', ErrMsg)
    disp_message (0, '捕获到异常: ' + ErrMsg, 'window', 10, 10, 'red', 'true')
    * 在这里可以执行清理操作或跳过当前检测
endtry

二、主动判断与状态机

结果校验：在执行 find_shape_model 后，不要默认它找到了结果。必须判断返回的 Score 数组是否为空。如果为空，说明没匹配到，应主动跳过后续测量步骤；
超时熔断机制：在高速流水线或复杂算法中，如果算法陷入死循环或耗时过长，会导致产线堆积。可以设置超时机制（例如在 C# 中使用 Task 配合 CancellationToken，或在 Halcon 中通过 timeout 参数），一旦超时立即放弃当前检测，进入下一节拍；
状态机架构：工业软件绝不能写成线性的 while(true)。必须采用状态机：初始化 → 待机 → 触发采集 → 算法处理 → 结果输出 → 异常复位。当发生异常时，程序进入“异常复位”状态，等待人工干预或自动重试，而不是直接崩溃。

三、日志记录与质量看板

记录关键信息：每次检测都必须将“时间戳、图像文件名、检测结果（OK/NG）、耗时、错误代码”写入本地 CSV 或数据库；
异常图像留存：当触发 catch 或检测到 NG 时，自动将该图像保存到特定的 NG_Images 文件夹中。

边缘检测

边缘检测的实质是通过局部图像微分技术，计算图像灰度分布的梯度（一阶导数极值或二阶导数过零点），从而提取出对象与背景间的交界线。

一、传统经典的算子

1. Sobel 算子

特点：利用像素上下左右邻域的灰度加权差分来计算梯度。
优势：对噪声具有平滑作用，能提供较精确的边缘方向信息。
劣势：定位精度不高，容易检测出伪边缘。

2. Canny 算子（工业界最常用）

特点：被公认为最稳健的边缘检测算法之一。它包含四个严谨的步骤：高斯滤波去噪、计算梯度强度和方向、非极大值抑制（细化边缘）、迟滞阈值化（双阈值边缘跟踪）。
优势：抗噪能力强，边缘连续且精准。

3. Laplacian 算子（LoG）

特点：基于二阶导数，通过寻找零交叉点来定位边缘。对细节和噪声非常敏感，通常需要先做高斯平滑（LoG）。

二、Halcon 中的边缘检测

1. 像素级边缘检测（基础轮廓提取）

sobel_amp：Sobel 梯度算子。计算速度快，对水平和垂直边缘敏感，适合做简单的边缘粗提取；
edges_image：综合梯度计算算子，支持 Canny、Lanser 等算法，输出梯度幅值和方向图像。

2. 亚像素级边缘检测

edges_sub_pix：它直接输出亚像素精度的边缘轮廓（XLD 格式），精度可达 0.1 甚至 0.01 像素级别。支持 'canny'、'sobel'、'roberts' 等。其中 Canny 算法因为结合了高斯滤波、非极大值抑制（NMS）和滞后双阈值，抗噪能力和边缘定位最准。

halcon

edges_sub_pix (Image, Edges, 'canny', Sigma, Low, High)

参数说明：

Sigma（高斯平滑系数）：控制边缘检测的灵敏度。
- 大 Sigma（如 2.0~3.0）：检测粗边缘，抗噪能力强，但会丢失微小细节；
- 小 Sigma（如 0.5~1.0）：检测细边缘，但容易把噪点当成边缘。
Low / High（滞后双阈值）：过滤伪边缘，连接断裂的真实边缘。
- High（高阈值）：强边缘的门槛。高于此值的必定是真实边缘。
- Low（低阈值）：弱边缘的门槛。低于此值的直接丢弃；介于 Low 和 High 之间的，如果与强边缘相连，则保留，否则丢弃。
- 通常建议 High 是 Low 的 2~3 倍。如果边缘断断续续，降低 Low；如果背景噪点太多，提高 High。