read_dl_model名称read_dl_model —从文件中读取深度学习模型。签名read_dl_model( : : FileName : DLModelHandle)描述操作读取由编写的深度学习模型。结果，返回句柄。 read_dl_model write_dl_model DLModelHandle模型是从文件加载的。因此，可以在目录 以及当前使用的目录中搜索该文件。 FileName$HAL
1 预处理1.1 读取预训练网络用read_dl_classifier方法读取一个预训练网络，其中Halcon提供的预训练网络有："pretrained_dl_classifier_compact.hdl"和"pretrained_dl_classifier_enhanced.hdl"。1.2 读取数据集指定数据集路径，用read_dl_classifier_data_set方法获取带有标签的原始数据集。1.3 数据集预处理预处理是一个成功分类器的重要组成
halcon的DLtool是深度学习的标注加训练模型的工具。要注意的是只有0.4.2的版本才是可以训练模型的，之前的只可以标注。这个0.4.2版本跟之前的版本的区别是多了一个TRAINING，即训练模型的项目。首选新建项目，勇哥这里选择“分类”项目。大家都知道，halcon的深度学习有三种类型的应用： 分类，分割，对象检测。图库这里可以添加分类类别，这个例子里，只有两个类别：OK，NG。点击开始训练。特别说明的是，勇哥试了一下，在我的halcon19.11下，cpu也是可以训练的。只是如果用cp
高斯混合模型(GMM)分类的理论有点复杂。当处理分类时候，基本理论之一就是贝叶斯决策规则。一般，贝叶斯决策规则告诉我们，通过最大化特征向量x属于某类的可能性，来最小化错分特征向量的可能性。这个所谓的“后验概率”应该在所有的类别中被最大化。然后，贝叶斯决策规则将特征空间划分为相互不连接的区域。这些区域被超平面所分割，例如对于1D数据被点分割，或者2D数据被曲线分割。尤其是，超平面是由点定义的，相邻的两个类是等可能的。贝叶斯决策规则可以被表示如下：其中:：后验概率：先验概率，假设特征向量的类是，则特
引言：特征提取是缺陷检测和分类器的重要基础，由于网络资料匮乏，这个系列的贴子勇哥会长期更新，以充实其内容。函数原型：gray_projections(Region, Image:: Mode: HorProjection, VerProjection) 功能：计算在水平和垂直方向的灰度值投影当Mode = 'rectangle'时，选取输入区域的任意方向的最小内接矩形，在其主轴方向上实现投影。即，水平投影方向对应大轴，垂直投影方向对应小轴。参数列表：第1个参数（in）：
引言：特征提取是缺陷检测和分类器的重要基础，由于网络资料匮乏，这个系列的贴子勇哥会长期更新，以充实其内容。gray_histo_abs(Regions, Image : : Quantization : AbsoluteHisto)函数计算图像Image 内区域Regions的绝对灰度直方图AbsoluteHisto。参数Quantization 定义了一个频率值加多少个相邻灰度值的频率。生成的 AbsoluteHisto是一个元组，其索引映射到输入图像Image 的灰度值上，其元素包
引言：特征提取是缺陷检测和分类器的重要基础，由于网络资料匮乏，这个系列的贴子勇哥会长期更新，以充实其内容。moments_gray_plane(Regions, Image : : : MRow, MCol, Alpha, Beta, Mean)函数计算一个平面的灰度值矩和灰度值的参数。公式为：F为平面， 为中点。m11,m20,m02为区域缩放矩。因此 Alpha 表示沿直线轴方向的梯度(“向下”)，Beta 表示沿列轴方向的梯度(“向右”)。原图处理后注意红色矩形处为参
* This example program shows how to classify different
* metal parts using a general MLP classification
*
dev_update_off ()
dev_close_window ()
dev_open_w
神经网络直接决定类与类之间的separating hyperplanes（分离超平面），而超平层分隔开两个类的特征向量，落在在层的一边的特征向量属于class 1，落在另一边则属于class 2。基于单层神经网络的分类器需要 linearly separable classes（线性可分的类），在许多应用中不够高效。基于多层神经网络的分类器则无此限制，只要隐藏层包含足够多的处理单元即可。神经网络神经网络每一层的处理单元计算特征向量的线性组合或者来自前一层的结果。参数说明：要使用MLP去
* This example program shows you how to use the GMM classifier for novelty
* detection to perform a web inspection task. To perform&n