Halcon 23.11实战：用自带果汁瓶图片5分钟搞定你的第一个深度学习缺陷检测模型

Halcon 23.11实战：5分钟构建果汁瓶缺陷检测模型

在工业质检领域，深度学习技术正以惊人的速度替代传统算法。作为机器视觉行业的标杆工具，Halcon 23.11版本带来的深度学习模块让缺陷检测变得前所未有的简单。本文将带您用Halcon自带的果汁瓶示例图片，完成从数据准备到模型部署的全流程实战。

1. 环境准备与数据探索

Halcon安装包中已经贴心地准备了开箱即用的示例数据。打开安装目录下的examples/images/juice_bottle文件夹，你会看到以下结构：

juice_bottle/ ├── good/ ├── logical_anomaly/ └── structural_anomaly/

这三个文件夹分别对应：

• good：无缺陷的正品样本（约50张）
• logical_anomaly：标签错误等逻辑缺陷（约20张）
• structural_anomaly：瓶身变形等结构缺陷（约30张）

提示：在实际项目中，建议good样本数量至少是缺陷样本的3-5倍，Halcon示例数据的比例已经做了优化示范。

启动Halcon后，在"助手"菜单中选择"深度学习缺陷检测"，系统会自动加载这个示例数据集。界面左侧会显示数据统计信息：

2. 高效标注技巧

与传统监督学习不同，Halcon的缺陷检测采用半监督学习方案，只需标注正常样本。这种Anomaly Detection方案特别适合缺陷样本稀少的场景。

在标注界面中：

1. 全选good文件夹所有图像
2. 右键选择"标记为正常样本"
3. 系统会自动为这些图像生成ok标签

对于两种缺陷样本，我们只需要：

* 自动标记异常样本 read_image (AnomalyImage, 'logical_anomaly/bottle_001.png') set_dict_tuple (DLDataset, 'anomaly_label', 'nok')

注意：虽然Halcon支持像素级标注，但在这个果汁瓶案例中，我们采用更高效的图像级标注就足够了。

3. 模型训练参数解析

点击"训练"选项卡，关键参数设置如下：

基础配置

• 训练周期：100（示例数据量小，可快速收敛）
• 批量大小：8（显存不足时可降低）
• 初始学习率：0.001（默认值效果良好）

高级选项

# 等效的Python字典参数 params = { 'augmentation': 'medium', # 中等强度数据增强 'pretrained_weights': True, # 使用预训练权重 'early_stopping': True, # 启用早停机制 'validation_split': 0.2 # 20%数据用于验证 }

训练过程中重点关注两个指标：

1. 损失函数曲线：应呈现稳定下降趋势
2. 验证集准确率：最终达到90%以上即合格

4. 模型评估与调优

训练完成后，进入评估界面：

1. 热力图分析：滑动滑块观察模型关注的区域

   • 正品应显示均匀的蓝色背景
   • 缺陷区域会呈现红色高亮

2. 阈值调整：

   • 分类阈值：建议0.5-0.7之间
   • 分割阈值：0.3-0.5效果最佳

3. 混淆矩阵查看：

   预测\实际	正品	缺陷
   正品	48	2
   缺陷	3	45

当发现误检时，可以：

• 增加对应类型的训练样本
• 调整预处理参数
• 微调网络层结构

5. 模型部署实战

训练好的模型可以导出为.hdl格式，部署时只需几行核心代码：

* 初始化模型 read_dl_model ('juice_bottle.hdl', DLModelHandle) set_dl_model_param (DLModelHandle, 'device', 'gpu') * 单张图像推理 read_image (TestImage, 'new_bottle.png') gen_dl_samples_from_images (TestImage, DLSample) apply_dl_model (DLModelHandle, DLSample, [], DLResult) * 结果可视化 dev_display_dl_data (DLSample, DLResult, [], 'anomaly_image', [], WindowDict)

对于产线集成，建议添加以下优化：

1. 多线程处理流水线
2. 结果缓存机制
3. 硬件加速配置

6. 常见问题排查

在实际项目中遇到过几个典型问题：

• 问题一：热图显示全图异常

  • 原因：训练数据不足或标注错误
  • 解决：检查good样本质量，增加数据量

• 问题二：特定缺陷类型漏检

  • 原因：该类样本在训练集中占比过低
  • 解决：针对性采集更多样本，或调整损失函数权重

• 问题三：推理速度慢

  • 原因：输入分辨率过高或硬件配置不足
  • 解决：调整图像缩放参数，或启用TensorRT加速