Halcon 缺陷检测：从形态学基础到复杂场景的实战策略

1. Halcon缺陷检测的基础形态学操作第一次接触工业视觉检测时我被产线上那些快速闪过的检测画面震撼到了——摄像头一扫而过各种缺陷就被精准识别出来。后来才知道这背后离不开形态学处理这个基本功。就像医生用听诊器检查病人一样形态学操作就是工业视觉的听诊器。开运算和闭运算是两个最常用的组合拳。开运算就像先用砂纸打磨掉毛刺腐蚀再用填充剂修补表面膨胀。我处理过一个药片包装案例药片表面常有细小粉尘干扰用开运算就能完美解决。具体参数要根据实际情况调整比如这个药片检测我们最终确定的开运算半径是3.5像素。* 典型开运算示例 read_image (Image, pharma/tablet_01) threshold (Image, Region, 0, 120) opening_circle (Region, OpenedRegion, 3.5)腐蚀和膨胀这对基础操作更有意思。记得有次处理金属件检测客户说小孔洞总是误检。我们用腐蚀操作就像减肥——把区域缩小一圈小孔洞直接就消失了。而膨胀则是增肥适合连接断裂的字符。这两个操作的关键在于结构元素的选择圆形、矩形各有妙用。灰度图像的形态学处理更精细。不同于二值图像的非黑即白它能保留更多细节。我们做过一个PCB板检测项目通过灰度闭运算不仅消除了噪点还完美保留了焊盘的渐变亮度信息。这里有个小技巧先做灰度直方图分析确定合适的亮度阈值范围。2. Blob分析与特征提取实战Blob分析就像是在一堆豆子里挑出坏豆子。刚开始我觉得很简单直到遇到那个著名的榛子威化饼案例——威化饼上的孔洞既要检测大小又要判断形状是否规则。这时候单纯的二值化就不够用了需要组合多种特征参数。* 榛子威化饼检测示例 read_image (Image, food/hazelnut_wafer_01) binary_threshold (Image, Foreground, smooth_histo, light, UsedThreshold) opening_circle (Foreground, FinalRegion, 8.5) area_holes (FinalRegion, AreaHoles) // 孔洞面积 rectangularity (FinalRegion, Rectangularity) // 矩形度我总结了一套特征选择的三步法先看面积特征排除明显异常再用圆形度、矩形度等形状特征最后考虑灰度分布特征。在药瓶检测项目中我们就是用这种组合方法把漏检率从5%降到了0.3%。差分法是我最喜欢的找不同游戏。有次检测金属件表面划痕背景纹理干扰严重。我们先用闭运算得到理想表面再与原图做差划痕就无所遁形了。关键点在于闭运算半径的选择——太大容易掩盖缺陷太小又去不掉纹理。3. 复杂场景的定位与测量极坐标变换解决了我多年的心病——环形检测。以前遇到瓶口螺纹检测总是头疼直到学会这招化曲为直。把环形区域展开成矩形后所有检测都变得简单明了。有个饮料瓶盖项目我们就是用这种方法检测密封齿效率提升了6倍。* 瓶口极坐标变换示例 polar_trans_image_ext (ImageReduced, ImagePolar, Row, Column, 0, rad(360), Radius - RingSize, Radius, PolarResolution, RingSize, nearest_neighbor)模板匹配就像玩找茬游戏时先记住标准图。在安瓿瓶液位检测中我们先创建瓶头模板再用形状匹配精确定位。这里有个坑要注意光照变化会影响匹配效果我们后来加入了光照归一化预处理稳定性大幅提升。拟合算法最适合检测规则形状的偏差。记忆最深的是那个金属冲压件项目要用矩形拟合检测孔位偏差。开始直接用最小外接矩形结果老误报。后来加入拐点排除算法只检查直边区域的偏差准确率立刻上去了。* 矩形拟合检测示例 fit_rectangle2_contour_xld (RectangleEdges, tukey, -1, 0, 0, 3, 2, Row, Column, Phi, Length1, Length2, PointOrder) dist_rectangle2_contour_points_xld (RectangleEdge, 0, Row[I], Column[I], Phi[I], Length1[I], Length2[I], Dist)4. OCV字符检测的实战技巧OCV检测最考验细心程度。有次做药品包装检测明明模板训练得很好现场却总出错。排查半天发现是印刷字体有轻微倾斜。后来我们改进方案训练时采集多个角度的样本检测时加入容差设置问题迎刃而解。* OCV检测典型流程 create_ocv_proj (A, OCVHandle) traind_ocv_proj (ImageReduced, OCVHandle, A, single) do_ocv_simple (ImageReduced, OCVHandle, A, true, true, true, true, 5, Quality)动态适应是OCV的高级玩法。我们开发过一套自适应阈值算法能根据印刷质量动态调整判定标准。比如当检测到整体印刷较淡时自动降低灰度阈值要求但严格检查字符完整性。这招让我们的检测系统适应了各种生产批次的变化。缺陷分类显示也很有讲究。早期我们只用合格/不合格提示产线工人反馈不够直观。后来改用三色标识绿色通过、黄色预警、红色拒收还在图像上直接标出缺陷位置。这个小改动让误检处理效率提高了40%。在金属件检测项目中我们发现传统方法对微小划痕不敏感。后来创新性地结合了局部二值化和Blob分析先用动态阈值突出缺陷区域再通过形态学处理增强特征最后用面积和长宽比双重过滤。这套方法能稳定检测出0.1mm级的缺陷。