- 博客(167)
- 收藏
- 关注
RSS订阅原创 线扫相机光源遇到的问题
因为纸袋会跑，所以加了一个亚克力的板子用来压住，板子开了一个槽，这个槽是正对线扫相机视野的。但是放上去之后，中间会有黑色阴影，然后视野就会变暗。光源要打到线扫的那一行上，所以一定会有角度，就是在线扫相机的物方焦平面和光源之间，会被这个板子，板子有厚度，会遮挡，中间出现黑色阴影，现在把这个削掉了。为啥要全切，因为纸袋宽度，从小到大。之后：和不放板子是一样的，都是亮的。之前：中间会有黑色阴影。
2025-03-29 19:43:44
94
原创 halcon案例select_object_model_3d.hdev
select_object_model_3d筛选connection_object_model_3d连通域volume_object_model_3d_relative_to_plane体积max_diameter_object_model_3d外接直径
2025-03-25 00:34:31
674
原创 halcon案例set_object_model_3d_attrib.hdev
* 在这个示例中，设置了一个三维物体模型的立方体的坐标。* 其次，设置了三角形和颜色。第三，修改了一个三维物体模型的坐标。* 第四，展示了移除已设置属性的过程。* 在所有步骤之间，都会对生成的三维物体模型进行可视化。
2025-03-24 23:52:02
141
原创 halcon例程gen_primitives_object_model_3d.hdev最基础
* 本示例程序展示了如何在 HALCON 中使用以下操作符：* gen_plane_object_model_3d、*gen_sphere_object_model_3d_center、*gen_sphere_object_model_3d、*gen_cylinder_object_model_3d *和 gen_box_object_model_3d。* 在此示例中，一个平面、两个球体、一个圆柱体和一个立方体被设置为不同的姿态。* 生成的三维物体模型的原始形状被可视化显示。
2025-03-24 23:27:22
620
原创 记录一个问题，在几乎相同配置的电脑，我自己电脑不卡，现场电脑很卡-关掉实时保护
测试发现，拖动时，windows Defender这个CPU占用率特别高；所以怀疑和他有关，再加上自己电脑没这东西。现场自己关了实时保护。确实互相之间差一些，但是用好的配置也不行。用自己电脑，很正常，滚动条拖动不卡顿；第一波需要完成整个图像处理并显示。程序赋值到C固态盘，也没用；除了系统，其他都确认没问题；第二波只是一个二值化；
2025-03-20 16:17:19
114
原创 halcon案例distance_pc.hdev
点和contour可以是包含，可以是点在contour上，也可以是点在外。一直没关注过这个算子:最近总在找一个合适的矩形计算的东西。读图并筛选到类圆形，且直接用外界椭圆的方式取得圆心。计算得到圆心位置到待拟合轮廓的最大最小距离。点到contour的距离。
2025-03-18 11:45:10
117
原创 线材连接找方向，并获得线
上篇文章的，想起很多判断是否线材焊接上，或者剪脚是否剪断的问题，刚好找到最近之前评估过一个风险项的。正向没有找完，反向找的时候，角度不对，导致了起点位置没找对，需要局部修改。(3)线的角度偏差较大‘正向找不出，反向也找不出。这里线是白色的，所以用Light。找错位置时候的搜索区域。（1）线没有乱歪曲的。
2025-03-18 11:02:53
208
原创 halcon案例segment_ball_bond_lead_frame
否则，计算Regions与Pattern的开运算面积与Regions面积的比值（以百分比表示）。将Regions中的每个区域与Pattern区域的并集进行比较。如果可能，则从Regions中复制相应的区域。确定从Pattern的边缘到Regions中每个区域边缘的最小最大范数距离（见distance_rr_min_dil）。确定从Pattern的边缘到Regions中每个区域边缘的最小欧几里得距离（见distance_rr_min）。确定Pattern的中心到Regions中每个区域中心的欧几里得距离。
2025-03-18 00:16:59
443
原创 halcon例程track_wires_on_chip.hdev
主要是找线，遍历迭代跟踪起点和终点获得轮廓。第二个：* 将线的所有线段合并为一个覆盖整个轨迹的长轮廓。判断最小值，如果大于5，反向重新查找得到线段。第三个:* * 更新搜索参数以用于下一次迭代。更新起点，以及角度，搜索范围的半径等参数。获取搜索区域，根据已知的起点。如果不是，直接联合在一起。第4个：跟踪到线的区域。初步筛选contour。找到距离起点最近的轮廓。
2025-03-17 23:46:51
337
原创 DeepLearningTool-深度学习分类-和HALCON的详细过程
损失函数：衡量预测误差，用于模型优化。混淆矩阵：评估分类模型性能，提供详细预测结果分析。两者结合使用，可以全面评估和优化模型。过拟合：模型过于复杂，捕捉了噪声，表现为训练集误差低，测试集误差高。欠拟合：模型过于简单，无法捕捉数据模式，表现为训练集和测试集误差都高。调整参数过拟合：简化模型、增加数据、使用正则化、早停、Dropout。欠拟合：增加模型复杂度、特征工程、增加训练时间、调整学习率、使用集成方法。通过合理调整参数和方法，可以有效避免过拟合和欠拟合，提升模型性能。
2025-03-04 22:09:01
979
原创 视野和焦距
同样的焦距，工作距离越大，视野越大。比如MV-CS200-10GM，25mm的镜头，工作距离200Mm,视野105*70mm;工作距离250，视野是131*88mm。同样的工作距离，焦距越短，视野越大。比如MV-CS200-10GM，工作距200mm，35mm的镜头，目标宽高为75*50mm;25mm的镜头，目标宽高为105*70mm;
2025-03-03 14:50:59
191
原创 拼图和替换图内容
outimage1是由图像1的从第500行开始的2000行，作为第一部分，第二部分是图像2的2000行之后的其余部分，一起组合所成。图像大小和原图一致。此处的output1图是由图像1的最后2000行，作为起始的2000行，后面的用图像2保持不变，两者合并在一起，得到一个大图。此处的output1图是由图像1的最后2000行，作为起始的2000行，后面的用图像2保持不变填充得到一个等大的图。在相机的回调函数中，图像数据通常以 BYTE* 指针的形式提供，同时会提供图像的宽度、高度和位深度等信息。
2025-03-03 00:43:16
568
原创 浅浅的理解消息响应机制
自己写框架，还经常不会用子窗口调用主窗口；指针也用不起来，所以，每次，最终的解决方法就是用消息传递。刚开始在树上看是基于消息响应，其实不太明白干啥的。现在理解的就是，你需要和某人建立关系，然后你俩需要一个指令，这个指令就是消息传递函数，具体传的啥，就看你函数写啥就会执行响应的动作，但是需要知道是谁给谁传递。所以就有一些主从关系和函数在。两年前看QT的框架，发现槽函数和消息响应机制其实都差不多；可惜，当时做的框架也不知道去哪了，现在已经把QT忘光了。
2025-03-02 02:19:04
809
原创 海康相机取图记录
他们用主动取图；我没听过，但是我觉得我应该用过。其实就是用getframetimeout(),只是觉得自己真是没关注过，她又问你是不是用回调取图。确实，我一直用回调取图，因为这家公司大家都是这么用。为此还复习了很久的函数指针和指针函数之间的关系。知道回调函数需要注册。最开始的公司，他们用Halcon的接口取图，嗯
2025-03-02 00:53:41
907
原创 halcon例程print_quality_smallest_module_size
在 HALCON 中，get_data_code_2d_results 函数用于获取二维数据码（如 QR 码、Data Matrix 等）的解码结果和质量评估信息。当使用 ‘quality_isoiec15415’ 参数时，QualityGrades 返回的是根据 ISO/IEC 15415 标准评估的二维数据码的打印质量等级。Contrast：对比度，数据码域内最小和最大像素强度的范围，对比度越高，等级越好。Grid Non-Uniformity：网格非均匀性，评估数据码在网格上的均匀性。
2025-02-24 15:36:00
278
原创 entropy_gray在halcon
在图像分析中，Anisotropy（各向异性系数）是一个重要的特征参数，它反映了图像灰度值分布的对称性。具体来说，各向异性系数的值越小，表示灰度值分布越对称；例如，在纹理分析中，各向异性较高的区域可能表示纹理方向性较强，而各向异性较低的区域则可能表示纹理较为均匀。熵是图像灰度值分布的信息量度量，表示图像灰度值的随机性或不确定性。自然图像分析：在自然图像中，各向异性系数可用于分析物体的纹理方向性，例如树叶的纹理或水流的方向。通过利用各向异性系数，可以更全面地理解图像的特征，从而提高图像分析的准确性和效率。
2025-02-21 16:14:24
317
原创 halcon例程segment_plants
此例:分割不同背景中的绿色植物。其中算子segment_image_mser是新的，可以借鉴学习，以及不同的颜色空间域，可以尝试使用
2025-02-13 00:47:53
417
原创 halcon案例count_fish_sticks
此程序主要使用了measure_projection 来测量鱼柳边界，以及用50作为判断参数来确认边界，并显示后进行宽度宽度，宽度大于20的作为鱼的个数，大于48的则认为NG。使用了轮廓线思想。以及有将数组转化为函数来查找边缘。此法可借鉴找多个边缘使用。
2025-02-13 00:26:53
335
原创 halcon案例classify_pill_defects_deep_learning_4_infer
【代码】halcon案例classify_pill_defects_deep_learning_4_infer。对新图像进行推理”
2025-02-08 13:28:35
199
原创 halcon案例classify_pill_defects_deep_learning_3_evaluate
深度学习分类工作流之一，训练后模型的评估。主要有一个评估指数，比如，召回率，精确率，F1分数，混淆矩阵，TOPK错误率，以及热力图显示
2025-02-08 12:22:06
219
原创 halcon案例classify_pill_defects_deep_learning_2_train
训练参数的设置，并进行模型训练，保存最佳模型和最终模型。
2025-02-08 11:49:51
153
原创 halcon案例classify_pill_defects_deep_learning_1_preprocess
分类工作流的一系列示例之一第一部分数据集预处理。设置输入/输出路径 设置参数读取标记数据并将其拆分为训练、验证和测试 预处理数据集 预览预处理后的数据集
2025-02-08 10:31:23
127
原创 halcon案例create_dl_model_classification
* 使用 HALCON 深度学习框架创建一个分类模型。* 本示例向您展示了如何：* 1: 创建一个深度学习分类模型，* 2: 设置模型参数并通过其摘要检查模型，* 3: 检索和修改层参数，* 4: 添加元数据（可选）。为了创建一个网络，需要将不同的层连接成一个图。* 这意味着，我们从（至少）一个输入层开始。* 所有后续层都通过指定之前定义的层作为输入来添加。
2025-02-07 18:47:24
176
原创 halcon案例create_dl_model_segmentation
*使用 HALCON 深度学习框架创建一个分割模型。*本示例展示了如何：*1: 创建一个深度学习分割模型，*2: 设置模型参数并通过其摘要检查模型，*3: 添加元数据（可选）。*本示例中构建的网络有两个不同的输出。*一个用于像素分类置信度，*一个用于分割图像。*此外，为了训练，我们添加了以下层：*输入（权重）*输入（分割图像目标）*类别 ID 转换*交叉熵损失*分割网络架构的总结如下：*输入 softmax -> 损失（仅用于训练） 深度最大值 arg（分割图像）深度最大值（分割置信度）为了创建一个网络，需
2025-02-07 18:37:10
181
原创 halcon案例dl_anomaly_detection_global_context_workflow
* 本示例展示了全局上下文异常检测（Global Context Anomaly Detection，简称 GC-AD）的一般工作流程。* 通过 GC-AD，你可以在无异常图像上训练模型，然后将其用于检测新图像中的异常。* 该工作流程被拆分为不同的部分，这些部分被封装在各自的局部程序中。每个部分的参数可以在相应的程序中进行自定义。* 请参考相关章节了解有关 GC-AD 的更多详细信息。
2025-02-07 18:16:56
296
原创 halcon案例dl_anomaly_detection_workflow
* 深度学习异常检测示例。* 本示例展示了基于深度学习的异常检测的一般工作流程* 该工作流程通常包括以下步骤* 1数据集预处理* 2在无异常（“ok”）图像上训练模型* 3对训练好的模型进行阈值估计和评估* 4对新图像进行推理
2025-02-07 17:56:02
312
原创 halcon案例dl_anomaly_detection_global_context_inference
* 本示例展示了全局上下文异常检测（Global Context Anomaly Detection，简称 GC-AD）的推理工作流程。* 该网络由两个子网络组成：局部网络和全局网络* 局部网络专注于检测结构异常* 而全局网络则用于发现逻辑异常* 更多关于这一主题的详细信息请参阅相关章节*推理工作流程通常包括以下步骤：* 1、数据集预处理* 2、对印刷电路板（PCB）图像进行推理* 3、（可选）使用局部网络和全局网络检查结果
2025-02-07 17:22:20
650
原创 halcon案例letters_svm
此例，基于支持向量机，SVM，write_ocr_trainf 写入分类器，read_ocr_trainf_names读取分类器，create_ocr_class_svm创建分类器，并用trainf_ocr_class_svm训练分类器，用do_ocr_multi_class_svm识别字符。
2025-02-06 19:50:32
242
原创 halcon案例select_characters
主要是用text_line_orientation获取字符角度，并转正之后，用segment_characters分割字符，用select_characters筛选字符。
2025-02-06 19:04:17
722
原创 halcon案例text_line_orientation
此例，主要是点状字符的提取。一个有角度的字符，通过text_line_orientation获取字符角度，再旋转图片，图像Blob分析得到字符区域并显示。
2025-02-06 18:48:46
148
原创 halcon案例text_line_slant
此例，主要针对倾斜字体时候的字符角度text_line_slant获取和hom_mat2d_slant旋转，以及partition_dynamic字符分割。字符获取方式可借鉴。对原区域进行膨胀腐蚀并和原区域求交集，可有效获取字符区域。
2025-02-06 18:36:42
251
原创 halcon案例lexicon
此例，展示了独立使用词汇表的用法。然而，它们主要用于与do_ocr_word_mlp或do_ocr_word_svm结合使用
2025-02-06 18:22:39
97
原创 halcon案例letters_knn
此例，如何使用一个简单的基于k-近邻（k-NN）的OCR分类器。可借鉴字符区域的获取（通过二值区域膨胀后得到连通域，再和原本的二至区域求交集），可以让ij这种不被分割为两部分。
2025-02-06 17:56:39
563
原创 halcon案例optimize_svm_parameter
此例:比较了在人工数据上使用不同参数的OCR-SVM（支持向量机）的识别率。* 字母图像被随机扭曲，并作为训练数据输入到三种不同的SVM训练变体中* 1、使用默认设置的SVM* 2、使用针对此设置优化的参数（特征、nu、gamma（核参数））的SVM* 3、在SVM上进行特征选择，并自动估计nu和gamma* 在这里，“调整”（tuning）仅指识别率。显示结果比较三种结果，自动估计SVM的错误率更低。人工调制的还不如自动调制。默认参数不可取。
2025-02-06 17:37:16
755
原创 halcon案例letters_cnn
此例，用read_ocr_class_cnn 读入分类器，并用do_ocr_multi_class_cnn识别字符结果，并显示。
2025-02-06 15:00:52
213
原创 halcon案例label_word_process_cnn
此例，本示例展示了如何通过使用正则表达式或词汇表限制允许的结果来提高OCR结果的准确性。几个核心算子read_ocr_class_cnn 和create_lexicon和do_ocr_word_cnn和partition_dynamic和var_threshold和text_line_orientation
2025-02-06 11:47:54
148
原创 halcon案例compare_ocr_pretrained_mlp_cnn
此例：一副图上有小写字母a-z和.将所有的字符区域提取然后转成矩形，再进行扭曲，扭曲之后进行识别：分别用do_ocr_word_cnn和 do_ocr_word_mlp 识别，通过已知的类别和识别的类别来判断识别错误率。比较下，cnn比mlp识别率更高一些，同时耗时也更长一些。
2025-02-06 10:57:46
704
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人