当前位置：首页 > news >正文

HALCON第一讲-＞数据结构、语法规则与思路

news 来源：原创 2025/6/13 9:27:09

文章目录

- - 一、数据结构：机器视觉的基石
  - - **1. Iconic 数据：图像与特征载体**
    - **2. Control 数据：流程控制核心**
  - 二、语法规则与类型转换
  - - **1. 基础语法结构**
    - **2. 关键类型转换技术**
  - 三、高级特性：工程化核心能力
  - - **1. 深度学习集成**
    - **2. 3D视觉处理**
    - **3. 性能优化技巧**
  - 四、检测思路：工业级解决方案设计
  - - **标准流程**
    - 检测目标
    - 完整代码与注释
    - 检测思路拆解
    - **关键策略**
  - 五、综合例程解析（带详细注释）
  - - **例程1：精密零件尺寸测量与缺陷检测**
    - **例程2：二维码识别与物料分拣**
    - **例程3：复杂背景下的多目标识别与定位**
  - 六、最佳实践与避坑指南

一、数据结构：机器视觉的基石

HALCON的数据分为 Iconic（图形数据） 和 Control（控制数据） 两类，二者协同支撑视觉处理流程。

1. Iconic 数据：图像与特征载体

类型	存储内容	关键算子	应用场景	转换场景
Image	像素矩阵（灰度/多通道）	`read_image`, `rgb1_to_gray`	图像滤波、色彩分析	→Region（阈值分割）
Region	连通像素集合（二值掩码）	`threshold`, `connection`	目标分割、区域筛选	→XLD（轮廓提取）
XLD	亚像素轮廓（有序点集）	`edges_sub_pix`, `fit_circle_contour_xld`	精密测量、形状匹配	→Tuple（几何参数）

典型转换链：
Image →（threshold）→ Region →（gen_contour_region_xld）→ XLD →（fit_circle_contour_xld）→ 圆心坐标（Tuple）
目的：从像素级分割升级至亚像素测量，精度提升10倍。

2. Control 数据：流程控制核心

类型	示例	操作方式	注意事项
Tuple	`[1, 2.5, 'OK']`	`tuple_select`, `tuple_concat`	动态类型，索引从0开始
Handle	`ModelID`（模板句柄）	`create_shape_model`, `clear_model`	需显式释放避免内存泄漏
Integer	`Width := 640`	直接运算	支持`int()`/`real()`类型转换

二、语法规则与类型转换

1. 基础语法结构

* 条件分支与循环控制
if (DefectArea > Threshold)dev_display(DefectRegion)  * 显示缺陷区域
elsedisp_message('Pass', 'window', 10, 10, 'green')
endif* 遍历多个ROI（Region转Tuple索引）
Regions := [Region1, Region2, Region3]
for i := 0 to |Regions| - 1 by 1area_center(Regions[i], Area, Row, Col)  * 计算每个区域面积中心
endfor

2. 关键类型转换技术

转换目的	算子	示例	作用
Region → XLD	`gen_contour_region_xld`	`gen_contour_region_xld(Region, Contours, 'border')`	提取轮廓用于亚像素测量
XLD → 几何参数	`fit_*_contour_xld`	`fit_circle_contour_xld(Contour, Algorithm, ... , Row, Col, Radius)`	拟合圆获取半径/圆心
Tuple → 字符串	`tuple_string`	`Text := 'Radius=' + Radius$'.2f'`	结果可视化

三、高级特性：工程化核心能力

1. 深度学习集成

* 加载模型并推理
read_dl_model('defect_classifier.hdl', DLModel)
apply_dl_model(Image, DLModel, DefectType, Confidence)* 结果过滤与报警
if (DefectType == 'scratch' and Confidence > 0.9)sound_alarm()  * 触发声光报警
endif

优势：处理低对比度缺陷（如透明物体划痕），传统算法难以稳定检测。

2. 3D视觉处理

* 点云匹配与位姿估计
read_object_model_3d('gear.ply', ObjectModel3D)
surface_matching(ObjectModel3D, SceneModel, Pose, Score)  * ICP算法

应用场景：汽车零部件装配引导，精度达±0.1mm。

3. 性能优化技巧

减少计算量：reduce_domain(Image, ROI, ImageReduced) 限定处理区域
并行加速：set_system('threads', 8) 启用多线程
资源释放：clear_shape_model(ModelID) 避免内存泄漏

四、检测思路：工业级解决方案设计

标准流程

graph TD
A[图像采集] --> B(预处理：滤波/增强)
B --> C{目标定位}
C -->|模板匹配| D[形状匹配]
C -->|深度学习| E[目标检测]
D --> F[几何测量]
E --> F
F --> G[缺陷分析]
G --> H[结果输出]

检测目标

尺寸测量：孔径直径、中心距
缺陷检测：表面划痕、缺失孔洞

完整代码与注释

* 1. 初始化与图像采集
dev_close_window ()
read_image (Image, 'metal_part')          * 读取零件图像
get_image_size (Image, Width, Height)
dev_open_window (0, 0, Width, Height, 'black', WindowHandle)* 2. 图像预处理（降噪+增强）
gauss_filter (Image, Smoothed, 5)         * 高斯滤波去噪[1](@ref)
emphasize (Smoothed, Enhanced, 7, 7, 1)   * 增强边缘对比度* 3. 定位基准孔（模板匹配）
* 创建模板
gen_rectangle1 (ROI, 200, 300, 400, 500)
reduce_domain (Enhanced, ROI, TemplateImage)
create_shape_model (TemplateImage, 'auto', 0, 0, 'auto', 'auto', ModelID)* 搜索模板
find_shape_model (Enhanced, ModelID, 0, 0, 0.8, Row, Column, Angle, Score)
if (|Score| == 0)throw ('定位失败！')
endif* 4. 尺寸测量（亚像素边缘）
* 测量孔径
gen_measure_arc (Row, Column, Angle, 100, 0, 6.28318, 'arc', MeasureHandle)
measure_pos (Enhanced, MeasureHandle, 2, 30, 'all', ArcEdges, _, _)
diameter := 2 * max(ArcEdges.Distance)    * 计算直径* 5. 缺陷检测（动态阈值）
* 检测表面划痕
dyn_threshold (Enhanced, Smoothed, Scratches, 15, 'dark')
connection (Scratches, ConnectedScratches)
select_shape (ConnectedScratches, FinalScratches, 'area', 'and', 100, 10000)* 6. 结果判定与可视化
dev_display (Enhanced)
if (diameter < 9.8 or diameter > 10.2)dev_set_color ('red')disp_message ('孔径超差: ' + diameter$'.2f' + 'mm', 'window', 50, 50)
elsedev_set_color ('green')
endifif (|FinalScratches| > 0)dev_set_color ('red')dev_display (FinalScratches)disp_message ('发现划痕数量: ' + |FinalScratches|, 'window', 100, 50)
endif

检测思路拆解

1.定位优先：通过模板匹配（find_shape_model）确定基准位置，建立坐标系
2.亚像素测量：使用测量工具（gen_measure_arc）获取高精度几何尺寸
3.缺陷分离：动态阈值（dyn_threshold）适应光照变化，精准提取微小划痕
4.分级判定：尺寸公差（±0.2mm）与缺陷数量双重判断标准

关键策略

定位优先：通过模板匹配建立坐标系，消除工件位置偏差
测量与识别协同：先几何测量再缺陷识别，降低误检率
多算法融合：传统算法处理规则特征，深度学习应对复杂缺陷

五、综合例程解析（带详细注释）

例程1：精密零件尺寸测量与缺陷检测

* 1. 图像采集与预处理
read_image (Image, 'metal_part')
gauss_filter (Image, Smoothed, 7)  * 高斯滤波抑制噪声* 2. 定位基准孔（模板匹配）
create_shape_model (Smoothed, 'auto', 0, rad(360), 'auto', 'auto', ModelID)
find_shape_model (Smoothed, ModelID, 0, rad(360), 0.8, Row, Column, Angle, Score)* 3. 孔径测量（亚像素边缘）
gen_measure_arc (Row, Column, Angle, 50, 0, 6.28, 'arc', MeasureHandle)
measure_pos (Smoothed, MeasureHandle, 1, 30, 'all', EdgeRows, EdgeCols, _)
fit_circle_contour_xld (gen_contour_polygon_xld(EdgeRows, EdgeCols), 'algebraic', -1, 0, 0, _, RowCenter, ColCenter, Radius, _)* 4. 表面划痕检测（动态阈值）
dyn_threshold (Smoothed, median_image(Smoothed, Median, 15, 15), Scratches, 15, 'dark')
connection (Scratches, ConnectedScratches)
select_shape (ConnectedScratches, FinalScratches, 'area', 'and', 50, 1000)* 5. 结果判定
Diameter := 2 * Radius
is_defective := (Diameter < 9.8 or Diameter > 10.2) or (|FinalScratches| > 0)

设计解析：

定位：create_shape_model 解决工件位置随机性
测量：measure_pos + fit_circle_contour_xld 实现亚像素级孔径测量（精度±0.01mm）
检测：dyn_threshold 自适应光照变化，避免固定阈值失效

例程2：二维码识别与物料分拣

* 1. 图像增强
emphasize (Image, Enhanced, 10, 10, 2)  * 增强对比度* 2. 二维码定位与识别
create_data_code_2d_model ('QR Code', [], [], DataCodeHandle)
find_data_code_2d (Enhanced, SymbolXLDs, DataCodeHandle, 'stop_after_result_num', 1, ResultHandles, DecodedData)* 3. 尺寸校验（最小外接矩形）
smallest_rectangle1 (SymbolXLDs, Row1, Col1, Row2, Col2)
Width := Col2 - Col1
Height := Row2 - Row1* 4. 分拣决策
if (string(DecodedData) == 'A001' and Width > 50 and Height > 50)activate_pneumatic_arm('bin_A')  * 气动臂分拣至A箱
endif

设计解析：

识别：find_data_code_2d 直接解码二维码，鲁棒性强于传统OCR
测量：smallest_rectangle1 验证物理尺寸，避免标签变形
协同：解码数据与几何尺寸双重验证，提升分拣可靠性

例程3：复杂背景下的多目标识别与定位

* 1. 深度学习目标检测
read_dl_model ('yolov5.hdl', DLModel)
apply_dl_model (Image, DLModel, DLResult)* 2. 提取检测结果（Tuple转Region）
get_dl_model_result (DLResult, 'instance', 'bbox', BBoxes)
gen_rectangle1 (Regions, BBoxes[0], BBoxes[1], BBoxes[2], BBoxes[3])  * 将边界框转为Region* 3. 位置关系分析
distance_pairs (Regions, Distances, 'closest_point')  * 计算两两间距
max_distance := max(Distances)* 4. 装配完整性判定
if (|Regions| == 4 and max_distance < 100.0)disp_message ('Assembly Complete', 'window', 10, 10, 'green')
endif

设计解析：

识别：YOLO模型处理背景干扰（如油污、反光）
转换：gen_rectangle1 将边界框（Tuple）转为Region，便于几何计算
测量：distance_pairs 分析空间关系，验证装配精度

六、最佳实践与避坑指南

数据结构选择原则
- 快速分割 → Region（二值处理高效）
- 精密测量 → XLD（亚像素精度）
- 多参数传递 → Tuple（灵活存储数值/字符串）

算子组合黄金法则

任务	推荐算子组合	优势
高精度定位	`create_shape_model` + `reduce_domain`	限定ROI提升速度3倍
微小缺陷	`dyn_threshold` + `connection`	自适应光照变化
抗干扰识别	`find_data_code_2d` + `smallest_rectangle1`	几何特征验证解码结果