前⾔
上⼏篇⽂章分别对⽐了Halcon深度学习分类模型的框架，例⼦的详细分析，以及在Mnist上的应⽤等。想必⼤家已经对Halcon深度学习的分类原理基本掌握，是不是有点兴奋？是不是想要在⼯业缺陷检测上⼩试⽜⼑？作为⼀名视觉⼯程师，当然按捺不住内⼼的激动，想要应⽤在平时传统算法检测需要费九⽜⼆虎之⼒的产品检测上。那么接下来将会详细介绍Halcon 深度学习分类之⼯业缺陷检测流程。
说明：产品原图不⽅便展⽰，敬请谅解。
电池盖帽要想训练⽹络，⾸先得制作⾃⼰的数据集。⽔果分类中⼀共5个类别，Mnist分类中，⼀共10个类别。本例⼦我只想检测缺陷有⽆，所以只需2类即可（0代表OK，1代表NG）。
双端面机械密封
到这⾥，有的童鞋肯定会有这样的顾虑，深度学习需要⼤量的训练样本，但缺陷样品很难搜集，样本集不丰富。所以要想办法丰富训练样本，我根据同⼀个缺陷位置上下左右间隔固定位置抠图（64 x 64）保证每个负样本不重复，且抠的图均包含缺陷信息，这样样本数就会⼤⼤增加。正样本（背景）我间隔旋转⾓度随机获取（我的产品是圆环状），保证样本的丰富性。选择的正、负样本⽐例为5：1（正样本12
000张，负样本2400张）。（这部分需要⾃⼰写脚本实现，要不然⼿动抠图，那估计要疯） ctsb
正样本部分截图
光伏组件检测负样本部分截图
下图展⽰的是两种缺陷类型。为了丰富图像库，根据上述的描述⽅式，分别获取两种不同缺陷的负样本。从图中可以看出，每个样本都包含缺陷特征，但不重复。
图像预处理
这部分和Mnist应⽤⼀样，没有进⾏额外的处理。
训练⽹络
⽹络参数均和Mnist⼀样，由于数据量⽐较⼤，训练速度慢的有点感⼈。
缺陷检测
这部分依然需要⾃⼰写脚本，将要测试的图像进⾏切块处理（和训练样本⼤⼩⼀致64 x 64）。由于是检测缺陷有⽆，所以切块样本集只要涵盖整张测试图像即可，这样可以节约检测时间。当然如果对节拍要求不严格，完全可以⽤分类⽹络将缺陷边界分割出来，只不过切块⽅式是逐像素的。
下图代码部分是检测缺陷脚本，输⼊⼀张相机采集图，输出NGOK，如果NG则输出缺陷区域。
检测结果
部分结果截图展⽰
塑钢拉链
误检漏检是避免不了的，⽐如脏污误检成缺陷，部分漏检。这时候我们可以将误检区域抠出来丢到正样本中去，漏检区域丢到负样本中，重新训练。通过逐渐优化⽹络，最终会得到⼀个满意的Model。
代码
这个例⼦代码和上⼀篇的Mnist应⽤代码⼤同⼩异，除了样本制作以及测试脚本不同外，其他部分⼀样。
上⼀篇：Halcon 深度学习分类之Mnist应⽤
豫公网安备41160202000603
站长QQ:729038198
关于我们
投诉建议