当前位置：首页 > news >正文

【Deepin实战】手把手教你部署Halcon，解锁Linux机器视觉开发

news 2026/6/28 20:41:54

1. 为什么选择Deepin系统部署Halcon？

如果你正在寻找一个稳定、美观且对中文用户友好的Linux发行版来开发机器视觉项目，Deepin绝对值得考虑。作为一个基于Debian的国产操作系统，Deepin预装了Wine环境，这让它在处理部分Windows软件兼容性时表现突出。我在多个工业视觉检测项目中实测发现，Deepin的稳定性完全不输Ubuntu，而且桌面环境更符合国内用户的使用习惯。

Halcon作为机器视觉领域的标杆软件，其强大的图像处理算法库和高效的算子执行效率，让它成为工业检测、医疗影像等领域的首选开发工具。但在Linux系统上部署时，经常会遇到依赖缺失、环境配置复杂等问题。经过三个不同版本Deepin系统的实测（15.11/20.3/23 Beta），我总结出了这套无坑版安装指南，特别适合刚接触Linux视觉开发的新手。

2. 安装前的准备工作

2.1 获取Halcon安装包

首先访问MVTec官网（https://www.mvtec.com）注册账号。这里有个小技巧：建议使用企业邮箱注册，个人邮箱可能会被识别为教育用途而限制下载权限。登录后进入Download页面，选择Steady版本的Linux安装包（约2.2GB）。我推荐选择当前最新的长期支持版，比如Halcon-20.11，它在Deepin上的兼容性经过充分验证。

注意：如果官网下载速度慢，可以尝试在终端使用wget命令配合代理下载，但务必确保下载文件的完整性校验。

2.2 处理许可证文件

Halcon需要有效的license文件才能运行。在GitHub上搜索"Halcon_licenses"可以找到社区维护的许可证合集。下载时建议选择多个.dat文件备用，因为不同版本的Halcon对license的兼容性要求不同。我通常会在/opt目录下新建license_backup文件夹存放这些文件：

sudo mkdir -p /opt/license_backup sudo chmod 777 /opt/license_backup

3. 详细安装步骤

3.1 解压与安装

将下载的tar.gz文件移动到自定义安装目录（推荐/opt/halcon），这样可以避免权限问题：

sudo mkdir /opt/halcon sudo mv ~/Downloads/halcon-20.11.2.0-linux.tar.gz /opt/halcon cd /opt/halcon sudo tar -zxvf halcon-20.11.2.0-linux.tar.gz

解压完成后，运行安装脚本时会遇到一个"坑"：安装协议阅读界面需要快速按Enter键直到显示"9"时立即停止，这时输入"I agree"才能继续。如果错过时机，只能重新执行install-linux.sh。建议这样操作：

sudo sh install-linux.sh | while IFS= read -r line; do echo "$line" if [[ "$line" == *"9"* ]]; then sleep 1 echo "I agree" break fi done

3.2 环境变量配置

编辑.bashrc文件时，建议先备份原始配置。Halcon需要设置的关键环境变量包括：

# HALCON基础路径 export HALCONROOT=/opt/halcon export HALCONARCH=x64-linux # 添加可执行文件路径 export PATH=$HALCONROOT/bin/$HALCONARCH:$PATH # 动态链接库配置 export LD_LIBRARY_PATH=$HALCONROOT/lib/$HALCONARCH:$LD_LIBRARY_PATH

配置完成后，执行source ~/.bashrc立即生效。如果遇到库文件缺失错误，可能需要安装以下依赖：

sudo apt-get install libjpeg62 libpng16-16 libtiff5 libavcodec58 libavformat58 libswscale5

4. 验证安装与排错

4.1 许可证部署

将准备好的.dat文件复制到license目录后，需要特别注意文件权限：

sudo cp ~/Downloads/*.dat /opt/halcon/license/ sudo chmod 755 /opt/halcon/license/*.dat sudo chown root:root /opt/halcon/license/*.dat

错误的权限设置会导致Halcon无法读取许可证。如果启动hdevelop时报license错误，可以尝试：

cd /opt/halcon/bin/x64-linux ./hdevelop -license *.dat

4.2 测试视觉算法

成功启动hdevelop后，建议运行以下测试脚本验证基础功能：

* 读取并显示测试图像 read_image(Image, 'fabrik') dev_display(Image) * 边缘检测测试 edges_sub_pix(Image, Edges, 'canny', 1.5, 20, 40) dev_display(Edges)

如果图像处理算子能正常执行，说明Halcon已正确安装。我在部署过程中发现，Deepin自带的显卡驱动有时会影响Halcon的GPU加速功能。可以通过以下命令检查：

hdevelop -benchmark

5. 开发环境优化建议

5.1 配置VS Code开发环境

虽然hdevelop是官方IDE，但VS Code更适合复杂项目开发。安装Python扩展后，配置halcon.py自动补全：

在~/.vscode/python.pythonPath中添加Halcon的Python接口路径
安装Halcon语法高亮插件
设置调试配置：

{ "version": "0.2.0", "configurations": [ { "name": "Halcon Python", "type": "python", "request": "launch", "program": "${file}", "env": {"PYTHONPATH":"/opt/halcon/bin/x64-linux/python"} } ] }

5.2 性能调优技巧

在Deepin上运行Halcon时，建议关闭不必要的桌面特效：

sudo systemctl stop deepin-anything sudo sysctl -w vm.swappiness=10

对于需要实时处理的视觉应用，可以通过isolcpus参数隔离CPU核心：

sudo vim /etc/default/grub # 在GRUB_CMDLINE_LINUX中添加 isolcpus=2,3 sudo update-grub

6. 常见问题解决方案

Q1: 启动hdevelop时报错"libhalcon.so not found"这是因为环境变量未正确加载。除了检查.bashrc，还需要确认/etc/ld.so.conf是否包含Halcon库路径：

sudo sh -c 'echo "/opt/halcon/lib/x64-linux" >> /etc/ld.so.conf' sudo ldconfig

Q2: 相机采集图像失败首先检查用户组权限：

sudo usermod -a -G video $USER

然后安装采集卡驱动（以Basler为例）：

sudo apt install pylon-runtime pylon-doc

Q3: 多版本Halcon共存可以通过软链接方式切换版本：

sudo ln -sf /opt/halcon-20.11 /opt/halcon

记得每次切换后重新source环境变量。我在一个药品包装检测项目中就采用这种方案，同时维护了两个Halcon版本以适应不同算法模块的需求。

7. 进阶开发技巧

7.1 使用Docker容器部署

对于需要环境隔离的项目，可以构建Halcon专用镜像：

FROM deepin:20.8 RUN apt-get update && apt-get install -y \ libjpeg62 libpng16-16 libtiff5 \ libavcodec58 libavformat58 libswscale5 COPY halcon-20.11 /opt/halcon ENV HALCONROOT=/opt/halcon ENV PATH=$HALCONROOT/bin/x64-linux:$PATH

7.2 嵌入式部署方案

当需要将视觉算法部署到嵌入式设备时，可以使用Halcon的Runtime版本：

tar -xvf halcon-20.11-runtime-linux-armhf.tar.gz -C /opt export HALCONROOT=/opt/halcon-runtime

在Deepin上交叉编译时，记得安装arm-linux-gnueabihf工具链：

sudo apt install gcc-arm-linux-gnueabihf g++-arm-linux-gnueabihf

8. 实战案例演示

以PCB板缺陷检测为例，演示完整开发流程：

图像采集配置：

open_framegrabber('DirectShow', 1, 1, 0, 0, 0, 0, 'default', -1, 'default', -1, 'default', 'default', 'default', 0, -1, AcqHandle) grab_image_start(AcqHandle, -1)

缺陷检测算法：

* 模板匹配定位PCB find_shape_model(Image, ModelID, -0.39, 0.79, 0.8, 1, 0.5, 'least_squares', 0, 0.9, Row, Column, Angle, Score) * 焊点检测 threshold(Image, Region, 100, 255) connection(Region, ConnectedRegions) select_shape(ConnectedRegions, SelectedRegions, 'area', 'and', 500, 99999)

结果可视化：

dev_set_color('red') dev_set_draw('margin') dev_display(DefectRegions) disp_message(WindowHandle, 'Defect Count: ' + |DefectAreas|, 'window', 12, 12, 'black', 'true')

这个案例在Deepin上运行时，平均处理帧率达到23fps（i5-8250U处理器），完全满足工业现场的实时性要求。

查看全文

http://www.jsqmd.com/news/1085432/