Halcon fill_up/fill_up_shape 实战：精准填充工业图像中的复杂孔洞与裂缝

1. 工业视觉检测中的孔洞填充难题

在金属零件质检、PCB板缺陷检测这些工业场景里，我们经常遇到这样的头疼问题：拍摄的图像上总会出现各种不规则的孔洞和裂缝。这些瑕疵可能小到肉眼难辨，但会直接影响产品质量。传统方法要么靠老师傅的火眼金睛，要么用简单的阈值处理，但效果总是不尽如人意——要么漏检，要么把正常结构也误判成缺陷。

去年我在汽车零部件厂就遇到过典型案例：发动机齿轮的齿槽在图像上总被误识别为裂纹。当时试了OpenCV的形态学闭运算，结果齿槽是填上了，但真实的微裂纹反而被模糊掉了。直到改用Halcon的fill_up系列算子，才真正实现了精准填充。这两个算子的厉害之处在于，它们不是无脑填坑，而是能像老中医把脉一样，根据区域特征智能判断该不该填。

2. fill_up算子的基础使用技巧

2.1 基本填充操作

先来看最简单的fill_up用法，它就像个万能补丁，能把区域里所有孔洞一键填平。我常用这个流程处理注塑件表面的气泡缺陷：

read_image(Image, 'plastic_part.png') * 阈值分割获取感兴趣区域 threshold(Image, Region, 0, 120) * 关键操作：填充所有孔洞 fill_up(Region, FilledRegion) dev_display(FilledRegion)

实测发现三个易错点：

1. 输入区域必须是二值化后的Region对象，直接对Image操作会报错
2. 对于包含多个独立区域的场景，每个区域会分别进行内部填充
3. 超大孔洞（超过区域总面积80%）可能不会被完全填充，这是算法保护机制

2.2 实战中的参数调优

最近处理铝合金压铸件时，发现fill_up会把散热鳍片的间隙也填上。这时候就需要更智能的fill_up_shape出场了。通过设置面积下限，可以避免误填正常结构：

* 只填充面积在5~50像素之间的孔洞 fill_up_shape(Region, SmartFilled, 'area', 5, 50)

这个案例让我总结出参数调整的黄金法则：先用area_features算子测量典型缺陷的数值特征，再设置比正常结构小20%的阈值范围。比如测量发现真实裂纹面积都在3-40像素，而散热片间隙在60像素以上，那么安全阈值就可以设为3-45。

3. fill_up_shape的进阶特征控制

3.1 六大特征参数详解

fill_up_shape真正的威力在于支持多种几何特征筛选，这里用PCB板检测的实例说明各参数效果：

* 筛选细长型划痕（anisometry>3） fill_up_shape(PCB_Defects, Scratches, 'anisometry', 3, 9999) * 筛选紧凑型孔洞（compactness<1.2） fill_up_shape(PCB_Defects, Holes, 'compactness', 0, 1.2)

3.2 多特征组合策略

更复杂的场景需要特征组合使用。比如检测金属冲压件时，我用两级筛选方案：

1. 先用area排除过大过小的干扰
2. 再用anisometry+compactness锁定特定形状缺陷

fill_up_shape(Region, Stage1, 'area', 10, 100) fill_up_shape(Stage1, FinalDefects, ['anisometry','compactness'], [2,1], [999,1.5])

注意多个特征参数传入时，最小最大值也要用数组对应。曾有个bug调试了半天，就是因为忘了这个匹配规则。

4. 工业场景的实战经验

4.1 金属件检测的特别处理

铸件表面的氧化皮经常被误判为裂缝。通过大量实验发现，结合灰度值约束能显著提升准确率：

* 先提取暗色区域 threshold(Image, DarkRegions, 0, 80) * 再筛选特定形状特征 fill_up_shape(DarkRegions, RealCracks, 'compactness', 0, 1.3)

4.2 处理反光干扰的技巧

在检测抛光金属时，反光会造成假性孔洞。我的解决方案是：

1. 使用多角度光源拍摄
2. 对同一位置取多帧图像做与运算
3. 最后应用fill_up_shape时适当提高面积阈值

* 多帧图像取交集 reduce_domain(Image1, Image2, Intersection) * 提高面积阈值避免误填 fill_up_shape(Intersection, FinalRegion, 'area', 20, 150)

这套方法在轴承检测线上使误检率从15%降到了2%以下。

5. 性能优化与异常处理

5.1 处理超大图像的技巧

遇到4000x3000以上的高分辨率图像时，直接处理会非常耗时。推荐采用分块处理策略：

* 将图像划分为500x500的小块 tile_images(Image, Tiles, 500, 500, 'margin') for i := 1 to |Tiles| by 1 threshold(Tiles[i], Region, 0, 120) fill_up_shape(Region, Filled, 'area', 5, 100) * 合并处理结果 union2(Result, Filled, Result) endfor

5.2 常见报错解决方案

• Q：出现"Empty input region"错误？ A：检查阈值范围是否合适，先用check_region验证输入区域有效性

• Q：填充效果不理想？ A：尝试以下诊断步骤：

1. 用get_region_index查看区域索引
2. 用select_shape单独检查目标区域
3. 逐步调整特征参数范围

有次客户抱怨填充总是失败，后来发现是他们相机镜头有污渍，导致图像边缘出现渐变暗角。这个教训让我现在养成了先做check_image检测的好习惯。

6. 效果验证与量化评估

建立科学的评估体系很重要，我常用这套流程：

1. 人工标注100张标准测试图
2. 用compare_region计算重合度
3. 统计以下指标：

* 计算检测区域与标准区域的差异 difference(DetectedRegion, GroundTruth, FalseAlarm) difference(GroundTruth, DetectedRegion, MissedDefects) * 统计各区域像素数 area(FalseAlarm, FP) area(MissedDefects, FN)

最近给锂电池极片检测项目做优化时，通过这种量化分析发现compactness参数设为1.1-1.35时，能同时保证98%的查全率和93%的查准率。