1、Halcon视觉软件
2、DLT深度学习下工具
3、当场采集的素材

准备深度学习样本
准备深度学习网络(预权重,自己构建网络)
预处理样本适配主干网络的需求(256x256)
拆分预处理数据集【训练集,验证集,测试集】
训练网络模型
评估网络模型
使用训练完成模型推断未知的数据
分类 异常检测 语义分割 实例分割 OCR Conuter 目标检测
墨衍会员
·
AI 创作全网分发
墨衍智能分发
本文由作者通过墨衍一键同步至各平台
1分发平台
500+累计阅读
552平均单平台
已同步平台
优快云
微信公众号
微博
知乎
掘金
百家号
博客园
抖音
小红书
你的文章也可以这样分发
墨衍会员 ¥399起/年,写一次发全网
我也要 →
码龄14年
1、Halcon视觉软件
2、DLT深度学习下工具
3、当场采集的素材

准备深度学习样本
准备深度学习网络(预权重,自己构建网络)
预处理样本适配主干网络的需求(256x256)
拆分预处理数据集【训练集,验证集,测试集】
训练网络模型
评估网络模型
使用训练完成模型推断未知的数据
分类 异常检测 语义分割 实例分割 OCR Conuter 目标检测
Halcon 深度学习(一):分类
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 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_fruit_deep_learning.hdev) 一、准备 1、选取深度学习的分类模型 pretrained_dl_clas
Halcon深度学习总结
Halcon深度学习
《HALCON机器视觉与算法原理编程实践》第14章 机器视觉中的深度学习-学习笔记
文章目录14.1 深度学习的基本概念14.1.1 Halcon中深度学习的应用14.1.2 系统需求14.1.3 搭建深度学习环境14.1.4 Halcon的通用深度学习流程14.1.5 数据14.1.6 网络与训练过程14.1.7 随机梯度下降法14.1.8 迁移学习14.1.9 设置训练参数:超参数14.1.10 验证训练结果14.2 分类14.2.1 准备网络和数据14.2.2 训练网络并评估训练过程14.2.3 分类器的应用与评估14.2.4 实际检测 深度学习是模仿人类大脑认识世界的方式,使用神经
Halcon深度学习项目实战
Halcon在机器视觉中的价值主要体现在提供高效、可扩展、灵活的机器视觉解决方案,帮助用户解决各种复杂的机器视觉问题,提高生产效率和产品质量。Halcon的灵活架构使其能够快速开发出任何类型的机器视觉应用。其全球通用的集成开发环境(HDevelop)有助于降低产品成本,并缩短软件开发周期。Halcon拥有超过2100个算子的成像库,该库支持多核平台、AVX2和NEON等特殊指令集以及GPU加速,从而有效提高机器视觉系统的性能。Halcon适用于多个行业,如工业检测、医学图像分析、农业育种等。
Halcon 深度学习分类实战:从 0 到 1 训练 2 类缺陷检测模型
本文详细介绍了如何使用Halcon深度学习模块从零开始训练一个2类缺陷检测模型。通过预训练模型和简洁的API设计,Halcon为工业质检领域提供了高效的解决方案,帮助工程师快速构建高精度分类系统。文章内容涵盖了从数据准备到模型训练的全流程,适合机器视觉领域的从业者参考。
Halcon深度学习在工业视觉中的应用与优化
深度学习技术在工业机器视觉领域发挥着越来越重要的作用,特别是在缺陷检测、分类识别等高精度场景。Halcon作为工业视觉的标杆软件,其深度学习模块通过融合传统图像处理算法与深度学习技术,显著提升了部署便捷性和实时性。其核心功能包括智能数据标注工具链、专用模型训练体系以及高效的部署优化方案,如层融合和8位量化技术。这些技术不仅适用于2D图像处理,还能高效处理3D点云数据。在实际工业场景中,Halcon深度学习系统已广泛应用于表面缺陷检测、精密尺寸测量等任务,并通过模型压缩和硬件加速技术实现性能优化。对于开发者而
halcon机器视觉深度学习对象检测,物体检测
halcon机器视觉深度学习对象检测,物体检测
【外星眼halcon视频教程】深度学习如何增强机器视觉检测,来改进对象检测和分类的正确率。
深度学习如何增强机器视觉检测,来改进对象检测和分类的正确率。 开发人员越来越多地应用深度学习和人工神经网络来改进对象检测和分类的正确率。 工业自动化需求日益增长 数字化对工业生产有着坚定的把握,作为工业物联网(IIoT)的一部分,流程越来越自动化。在IIoT,也称为工业4.0,各种机器和机器人承担更多的日常生产任务。例如,在装配中,新的,紧凑的和移动的机器人,例如协作机器人(cobots),经常协...
从机器视觉到深度学习咱们终结不了Halcon
自从Halcon2018出来后融入强大的深度学习功能让我们望而生畏。 东哥,主要从事Halcon视觉、深度学习等开发多年软件培训经验,谈谈个人对视觉学习看法: 这里推荐我们免费启蒙课:https://www.bilibili.com/video/BV1BQ4y1R71c 1、HALCON是德国MVtec公司开发的一套完善的标准的机器视觉算法包,它节约了产品成本,缩短了软件开发周期。 Halcon:底层功能算法多,运算性能快,开发需要一定软件功底和图像处理理论。 快速学习做法:研究实例、做实战项目
工业视觉中的Halcon深度学习:何时用?怎么用?效果如何?
本文深入探讨了Halcon深度学习在工业视觉领域的实战应用。针对传统算法难以处理的复杂缺陷、多变背景及细微分类等场景,文章系统分析了引入Halcon深度学习的决策时机、数据准备、模型训练、评估优化到产线部署的完整流程,并结合实际案例评估其效果与成本,为工程师提供了接地气的技术选型参考。
别再只看K线了!聊聊“板块联动”和“热点轮动”的跟踪方法与工具(实战派分享)
本文深入解析了如何通过板块联动和热点轮动构建高效交易系统。从三维验证框架到主流工具配置,再到持续性热点的五大特征,实战派交易员分享了识别市场主线和预判轮动方向的高阶技巧,帮助投资者摆脱单纯依赖K线的局限,提升交易决策效率。
halcon 深度学习标注_深度学习在自动视觉检测中的血泪史
作者:LabVIEW_Python链接:https://www.jianshu.com/p/535fb37b83b5相信大家都看过Andrew Ng的讲座《人工智能在生产制造业中的实践与应用》,我读了后,很受启发,其中有一页PPT讲了,人工智能在生产制造中的实践与应用:自动视觉检测该页PPT指明人工智能在视觉检测,尤其是瑕疵检测中的应用方向,读了后,的确信心满满;但实践起来,确是无比痛苦,血泪满眶...
从零到一:Abaqus与Matlab联合仿真的自动化流程构建指南
本文详细介绍了如何构建Abaqus与Matlab联合仿真的自动化流程,涵盖基础架构设计、关键接口技术实现、结果提取与处理技术以及高级参数化优化流程。通过Python脚本作为桥梁,实现数据传递和任务控制,帮助工程师提升仿真效率。特别强调了版本兼容性、异常处理和性能监控等实用技巧。
halcon深度学习_深度学习在机器视觉系统中的应用详解
虽然深度学习,人工智能和认知系统的概念并不新鲜,但也是近些年它们才真正应用于机器视觉系统。随着机器视觉技术的不断发展,系统在不需要计算机编程的情况下也可以具有分析和分类对象的能力。而人工智能(AI)和深度学习是推动机器视觉发展的重要技术手段。然而,描述这些概念背后的潜在科学更为简单。例如,在传统的机器视觉系统中,可能需要读取零件上的条形码、判断其尺寸或检查其是否有缺陷。为此,系统集成商通...
100G SR4 光模块设计
目前100G SR4 光模块主要采用COB 封装技术,在光电芯片键合(bonding)阶段,首先使用银胶将光芯片、电芯片精准固定在电路板规定位置上,该工序即为元件键合(die bonding);然后采用打线机进行金线键合(wire bonding),完成光模块内部的电气连接。在光路耦合阶段,采用8路阵列透镜组完成光路90°弯折及聚焦,并采用有源耦合的工艺进行光路的最终确认,该设计方案工艺简单、高效,借助全自动贴片机、打线机和耦合台就可实现100G SR4 光模块的大批量生产。
Stable-Baselines3性能优化:多环境训练对比指南(DummyVecEnv vs SubprocVecEnv)
本文深入对比了Stable-Baselines3中DummyVecEnv与SubprocVecEnv两种向量化环境的性能差异与应用场景。DummyVecEnv适用于轻量级、步进快的环境,调试友好且开销低;而SubprocVecEnv则通过真正的多进程并行,能显著加速计算密集型环境的训练。文章通过基准测试与决策树,指导开发者根据环境计算成本、CPU核心数等关键因素做出最优选择,以实现训练效率最大化。
学机器视觉,别先纠结 OpenCV、HALCON 还是深度学习
机器视觉学习的关键在于明确应用场景而非工具顺序。OpenCV适合打基础,理解图像处理原理;HALCON侧重工业项目快速开发;深度学习解决复杂识别问题。三者并非替代关系,需根据项目需求组合使用。真正的项目落地涉及相机选型、光源设计、算法稳定性和系统集成等多方面因素。建议新手先了解完整项目流程,再结合目标(基础学习/工业开发/复杂检测)选择工具路径,避免陷入工具比较而忽视实际需求。机器视觉的核心是解决问题能力,而非掌握工具数量。
cdh zookeeper未授权访问(安全漏洞)处理
前言: 最近公司在做安全漏洞扫描。发现cdh zookeeper存在未授权访问的问题。 ZooKeeper的节点有5种操作权限: CREATE、READ、WRITE、DELETE、ADMIN 也就是 增、删、改、查、管理权限,这5种权限简写为crwda(即:每个单词的首字符缩写) 注:这5种权限中,delete是指对子节点的删除权限,其它4种权限指对自身节点的操作权限 ZooKeeper的身份的认证有4种方式: world:默认方式,相当于全世界都能访问 auth:代表已经认证通过的..
探索Halcon 18深度学习支持资源包:开启机器视觉新纪元
探索Halcon 18深度学习支持资源包:开启机器视觉新纪元 【下载地址】Halcon18深度学习支持资源包 欢迎使用Halcon 18深度学习资源包!本资源包专为那些在计算机视觉项目中寻求高效、强大图像处理解决方案的开发者准备。Halcon是一款业界领先的机器视觉库,以其丰富的图像处理算法和强大的深度学习功能而著称。此...
实操微信支付,适合第一次接通微信支付的同学
我的实际操作命令如下:就会生成图3中多出来的file文件夹,/Users/camel/cert/xxxxxx_cert/file/wechatpay_5A4xxxxxxxxxx9.pem,wechatpay_xxxxx5A4849E9.pem就是微信支付平台证书,也是程序真正需要的。•注意:我的操作说明,我是把下载好的 CertificateDownloader.jar 文件,放在了解压证书的目录里(图3)。//下面的静态参数要仔细看下面的解释,否则只会调用别人写好的方法,压根学不会0-1接入微信支付。
WordPress MasterStudy LMS插件 SQL注入漏洞复现(CVE-2024-1512)
WordPress Plugin MasterStudy LMS 3.2.5 版本及之前版本存在安全漏洞,该漏洞源于对用户提供的参数转义不足,导致可以通过 /lms/stm-lms/order/items REST 路由的 user 参数进行基于联合的 SQL 注入。
深度学习_Halcon源代码:开启智能视觉新篇章
深度学习_Halcon源代码:开启智能视觉新篇章 【下载地址】深度学习_Halcon源代码 深度学习_Halcon源代码 项目地址: https://gitcode.com/open-source-toolkit/1ede2 ...
Python爬虫实战:扒取专利数据库核心信息,我用这招搞定反爬+数据结构化(附完整可运行代码)
这套爬虫方案从「实际需求」出发,解决了专利数据库抓取的核心痛点:反爬突破、数据结构化、标题创作。核心价值不在于代码多复杂,而在于「实用」——我用这套代码半天就抓取了800+条Python爬虫相关专利,比手动效率提升了几十倍。最后想说:爬虫技术的核心是「解决问题」,而不是炫技。专利数据能帮我们快速了解行业技术趋势,尤其是程序员,从专利中扒出的核心逻辑,远比零散的博客文章更系统。希望这篇实战分享能帮到有需要的小伙伴,也欢迎在评论区交流专利爬虫的更多技巧!
C# 基于halcon的视觉工作流-章69 深度学习-异常值检测
摘要: 本章介绍C#基于Halcon的深度学习异常值检测工作流,重点讲解模型训练与推理流程。与章67类似,但需通过get_dl_model_param算子设置图片尺寸等参数。文中展示了模型匹配效果图,并提供了自研免费视觉工具下载地址(百度网盘)。内容面向具备一定技术基础的开发者,后续章节将持续更新相关技术内容。
老版QQ原生表情gif动态
这是老版的QQ表情,不过全是动态的的,Windows照片查看器是不会动的,可以右击用浏览器打开查看,再说一遍是老版的,只是分享给宁愿用老版也要动态的人。
C# WinForm 基于DirectShow.dll编写的程序,可边预览边保存视频,音频和图片
基于微软的DirectShow.dll的二次开发1.自动识别连接的摄像头跟麦克风且可以对其进行选择(默认选中第一个)2.可录制wmv和avi两种格式的视频并且都带有音频,avi可以录制的分辨率和帧数进行选择,wmv默认进行了淸晰度优化如不喜欢可去除代码中有相关提示3.可在预览点开之后进行拍照,也可边录制视频边拍照4.添加了视频和音频的压缩功能(酌情使用)这次二次开发发现C#对DirectShow的相关信息太少,这次做完也不敢藏私共享出来,还望大家指正
Halcon与AI结合:如何用深度学习提升工业视觉检测精度
无需繁琐的环境配置,直接在线调试Halcon代码和深度学习模型,还能实时看到处理效果。传统的视觉检测方法虽然成熟,但在面对复杂缺陷或高精度需求时,往往显得力不从心。最近,我尝试将Halcon视觉库与深度学习技术结合,开发了一套工业视觉检测系统,效果令人惊喜。这种分工充分发挥了各自优势,既保证了处理效率,又提升了检测精度。在某电子元件生产线测试中,系统将漏检率从传统方法的3.2%降至0.5%,误检率也从4.1%改善到1.3%。实际使用下来,即使是复杂的视觉检测项目,从开发到上线也比传统方式快了很多。
NTscan扫描工具
ntscan是一个扫描器,可以扫描没有密码和弱密码的共享,先到配置文件中填写猜测的用户名和密码,扫描过程中右侧出现的是扫描日志。
HALCON与AI结合:如何用深度学习提升机器视觉精度
HALCON的深度学习模块确实大幅简化了开发流程,特别是:内置的预训练模型库完善的图像预处理算子直观的模型评估工具数据质量决定上限环境因素必须纳入考虑需要在精度和速度间找平衡点尝试YOLOv5等目标检测架构集成更多传感器数据开发自适应阈值调整机制这个项目让我深刻体会到AI给传统机器视觉带来的变革。通过InsCode(快马)平台的在线环境,可以快速验证各种算法方案,省去了搭建本地开发环境的麻烦。
贝叶斯统计 [韦来生编]
贝叶斯(Bayes)统计是近几十年来迅速发展起来的数理统计的一个重要分支。贝叶斯方法与经典统计方法的主要不同之处是进行统计推断时除了利用样本信息外,还要利用参数的先验信息,因此可以提高统计推断或统计决策的效果。它在经济、金融、生物、医学、自然科学和社会科学等许多领域具有广泛的应用。贝叶斯方法的研究已渗透到了统计学的几乎所有领域。作者在给中国科学技术大学概率论与数理统计专业本科生开设的“数理统计”课程中有一章专门讲授“贝叶斯方法和统计决策理论”,近十年来也给中国科学技术大学概率统计专业研究生开设过几次“贝叶斯分析”课。本书是在对过去讲稿的内容作了适当的增减和调整的基础上完成的。 本书共分六章。第1章是绪论,介绍了贝叶斯统计的若干基本概念,同时对必要的数理统计的基础知识有重点地作了回顾。第二章介绍了确定先验分布的若干可供选择的方法。第三章介绍了几类常见统计模型参数的后验分布的主要结果和计算方法。第四章和第五章分别介绍了“贝叶斯统计推断”和“贝叶斯统计决策”的内容。第六章介绍了贝叶斯统计计算的若干方法,包括蒙特卡洛方法和马尔可夫链蒙特卡洛(MCMC)方法以及相关统计软件的简介。本书的每一章附右大量的例题和习题,书末附有常用的几个表格和部分习题解答供读者查用。 大约可在54学时内讲授本书的第1章至第六章的主要内容,教师可根据学时需要选讲本书第1章至第六章的部分内容。书中标“*”号的章节可略去不讲,留给读者作为阅读材料。第六章例题中的R代码和部分例题的数据文件等可从作者个人主页下载。 作者在编写本书的过程中参考了J.O.Berger教授的《统计决策论及贝叶斯分析》和茆诗松教授编写的《贝叶斯统计》等书中的一些内容,以及《贝叶斯分析》一书中由张伟平博士编写的有关贝叶斯统计计算的一些内容。在此表示衷心感谢。 本书编写准备过程中,中国科学技术大学统计与金融系的几个研究生帮助完成了本书部分中文的录入和排版,作者对他们的辛勤工作表示真诚的感谢。高等教育出版社为本书的出版给予了大力支持。在此一并致谢。
1万+
1万+
525
655

被折叠的 条评论
为什么被折叠?



