保姆级教程：用Halcon实现药板缺陷检测，从图像预处理到结果统计全流程拆解

工业视觉实战：Halcon药板缺陷检测全流程精解

在制药行业的生产线上，药板包装的完整性检测是确保药品质量的关键环节。传统的人工检测方式不仅效率低下，而且容易因疲劳导致漏检。Halcon作为工业视觉领域的标杆工具，其强大的图像处理能力能够实现高效、精准的自动化缺陷检测。本文将带您从零开始，完整实现一个药板缺陷检测系统，涵盖图像预处理、区域定位、缺陷识别到结果统计的全流程。

1. 环境准备与基础概念

1.1 Halcon开发环境配置

在开始项目前，需要确保Halcon环境正确安装。最新版本的Halcon提供了更丰富的图像处理算子，建议使用HDevelop 20.11或更高版本。开发环境配置需要注意以下几点：

• 硬件要求：建议使用配备独立显卡的工控机，显存不低于4GB
• 相机设置：工业相机分辨率至少500万像素，推荐使用全局快门相机
• 光照方案：采用同轴光源或环形光源，确保药板表面光照均匀

* 基本环境初始化示例 dev_close_window () dev_update_off () * 提升执行效率 read_image (ImageOrig, 'blister_reference.png') dev_open_window_fit_image (ImageOrig, 0, 0, -1, -1, WindowHandle)

1.2 药板检测的核心挑战

药板缺陷检测面临几个独特的技术难点：

1. 反光问题：铝塑包装表面易产生反光干扰
2. 位置偏差：药板在传送带上可能存在位置偏移
3. 缺陷多样性：包括药片缺失、破损、污染等多种缺陷类型
4. 高速要求：生产线通常要求检测速度达到每分钟100板以上

提示：在实际项目中，建议先采集100-200张正常样本和50-100张缺陷样本用于算法开发和验证

2. 图像预处理与定位

2.1 基于仿射变换的图像校正

药板在采集过程中可能出现角度偏移，需要通过仿射变换进行校正。关键步骤包括：

1. 提取药板外轮廓区域
2. 计算轮廓的方向角度
3. 生成仿射变换矩阵
4. 应用变换实现图像校正

* 图像校正核心代码 access_channel (ImageOrig, Image1, 1) * 提取单通道 threshold (Image1, Region, 90, 255) * 二值化 shape_trans (Region, Blister, 'convex') * 获取凸包 orientation_region (Blister, Phi) * 计算角度 area_center (Blister, Area1, Row, Column) * 获取中心点 vector_angle_to_rigid (Row, Column, Phi, Row, Column, 0, HomMat2D) * 生成变换矩阵 affine_trans_image (ImageOrig, Image2, HomMat2D, 'constant', 'false') * 应用变换

2.2 ROI区域生成技巧

药板通常采用矩阵排列，每个药片位置固定。我们可以通过编程方式生成各药片的ROI区域：

* 生成15个药片位置的矩形区域 gen_empty_obj (Chambers) for I := 0 to 4 by 1 Row := 88 + I * 70 for J := 0 to 2 by 1 Column := 163 + J * 150 gen_rectangle2 (Rectangle, Row, Column, 0, 64, 30) concat_obj (Chambers, Rectangle, Chambers) endfor endfor

注意：ROI区域的位置参数需要根据实际药板尺寸调整，建议先用测量工具获取精确坐标

3. 缺陷检测算法实现

3.1 局部阈值分割技术

药板检测通常需要采用局部阈值算法，以应对光照不均的情况。Halcon提供了多种局部阈值算子：

* 局部阈值分割示例 reduce_domain (ImageAffineTrans, ChambersUnion, ImageReduced) decompose3 (ImageReduced, ImageR, ImageG, ImageB) var_threshold (ImageB, Region, 7, 7, 0.2, 2, 'dark')

3.2 形态学处理优化

原始分割结果通常包含噪声和断裂，需要通过形态学处理优化：

1. 闭运算：连接药片内部的断裂部分
2. 开运算：消除小的噪声区域
3. 填充操作：补全药片内部的空洞

* 形态学处理流程 closing_rectangle1 (ConnectedRegions0, ConnectedRegions, 3, 3) fill_up (ConnectedRegions, RegionFillUp) opening_circle (SelectedRegions, RegionOpening, 4.5)

3.3 多特征融合的缺陷分类

完整的缺陷检测系统需要识别多种缺陷类型：

• 药片缺失：区域面积过小
• 药片破损：灰度值异常
• 异物污染：形状不规则

* 缺陷分类逻辑示例 if (Area < 3800) * 药片缺失处理 concat_obj (MissingPill, Chamber, MissingPill) elif (Min < 60) * 药片破损处理 concat_obj (WrongPill, Pill, WrongPill) endif

4. 系统优化与性能提升

4.1 算法加速技巧

工业检测对实时性要求极高，以下方法可显著提升性能：

• 并行处理：利用Halcon的自动并行化特性
• ROI限制：只在感兴趣区域进行处理
• 算子优化：选择计算量更小的替代算子

* 性能优化示例 dev_set_check ('~give_error') * 减少错误检查开销 set_system ('parallelize_operators', 'true') * 启用并行计算

4.2 参数自动化调整

优秀的检测系统应该具备参数自适应性：

1. 自动阈值计算：基于图像统计信息
2. 动态ROI调整：适应不同规格药板
3. 光照补偿：根据图像质量自动调整

* 自动阈值计算示例 min_max_gray (Pill, ImageB, 0, Min, Max, Range) auto_threshold (ImageB, Regions, 3) * 自动多阈值分割

4.3 结果可视化与统计

清晰的检测结果展示对于产线操作员至关重要：

* 结果统计与显示 Message := '# 药片OK数量: ' + (NumberP - NumberWP) Message[1] := '# 药片错误 : ' + NumberWP Message[2] := '# 药片丢失：: ' + NumberMP disp_message (WindowHandle, Message, 'window', 12, 12, Colors, 'true')

5. 实战经验与避坑指南

在实际项目中，有几个常见问题需要特别注意：

1. 光照一致性：不同批次图像的光照条件差异会导致检测结果不稳定。解决方案包括：

   • 使用恒流光源控制器
   • 添加偏振片消除反光
   • 开发光照补偿算法

2. 参数鲁棒性：避免使用固定阈值，改为基于统计的自适应参数：

   • 动态阈值范围
   • 基于图像质量的参数调整
   • 多特征融合的决策机制

3. 异常处理机制：完善的系统应该能够处理各种异常情况：

   • 图像采集失败
   • 药板位置严重偏移
   • 系统资源不足

* 健壮性增强示例 try read_image (Image, 'blister/blister_' + Index$'02') catch (Exception) * 异常处理逻辑 disp_message (WindowHandle, 'Image load failed', 'window', 12, 12, 'red', 'true') continue endtry

在项目交付阶段，建议建立完整的测试案例库，包含各种典型缺陷样本和边缘情况，确保系统在实际生产中的稳定性。同时，开发参数调节界面，方便现场工程师根据实际条件进行微调。