转载一篇行业分析报告，是关于机器视觉行业的。报告是2021年的，非常新。有助于我们搞机器视觉的人更清楚了解自己的圈子有多大，饭碗的规模有多少。如果本文的版权方认为转载侵权，请联系我，会在第一时间删除。转载自：https://www.fxbaogao.com/pdf?id=2387352&query=%7B%22keywords%22%3A%22%E6%9C%BA%E5%99%A8%E8%A7%86%E8%A7%89%22%7D&index=1&pid=1190
Mask RCNN可以看做是一个通用实例分割架构。Mask RCNN以Faster RCNN原型，增加了一个分支用于分割任务。Mask RCNN比Faster RCNN速度慢一些，达到了5fps。可用于人的姿态估计等其他任务
这一篇谈下C#调用hdvp外部函数要用到的动态修改传入参数的方法。C#调用外部函数时，由于函数参数各异，你得对每个不同的函数编制调用程序，因此C#端代码量很大。本篇讨论的办法可以实现通用的方法调用外部函数。演示程序使用了treeView控件做为参数修改控件，实现了参数实时修改生效并且参数保存到磁盘。程序可以调用任何你自定义的halcon外部函数，仅需要你自己提供一下传入的图标变量（图片）和读取和显示运行结果。在演示程序的debug目录下，可以找到testhdvp.hdvp，由于它不能直接运行，所
如下图所示，自定义控件的form上面从下到下依次是：treeviewtextboxtextboxtextbox当拖动fom右边界调整宽度时，会发现最后一个textbox不会适应form宽度的变化。而它上面的三个控件则可以。当勇哥把它上面的控件复制下来替换它后，就可以自动适应了。这说明有一个textbox的属性在发挥作用，但有趣的是不是dock属性。暂时找不到是什么属性在发挥作用。一直以为只有dock这样的属性才可以发挥自适应屏幕大小的功能。没想到还有本文发现的这个功能。-------------
halcon 生成区域网格的作用是什么？如果勇哥没猜错的话，这位朋友想问的就是下面的算子gen_grid_region (Grid, MinSize, MinSize, 'lines', 512, 512)这个算子见过的一些应用主要是用来快速定位分割图片，是做为这一种技巧存在。见下面的的图片示例。详细见贴子：https://www.skcircle.com/?id=1655 为什么让相机视野中心十字对准目标物？大部分情况下
勇哥偶尔看到这篇HDevelop语法贴子，总结得比较全面。由于没必要重复造轮子，因此转载过来方便初学者查阅。下面文章转载自：https://blog.csdn.net/weixin_42258743/article/details/107506789（一）Halcon的语法结构特点特点：1）Halcon大部分的语句是Halcon提供的算子，此外也包含了少部分的控制语句；2）不允许单独声明变量；3）提供自动的内存管理（初始化、析构及OverWrite），但句柄则需要显示释放；4）C++（算子模式）
halcon标定后怎么用？问这个问题的人，可能不知道这个问题有两层意思。一种用九宫格方式的标定，是使用vector_to_hom_mat2d算子从点对应关系近似仿射变换。然后这个矩阵被算子affine_trans_point_2d 应用到一个2D点上去。以完成像素平面的点到运动平面的点的转换。二是使用halcon的手眼标定算子calibrate_hand_eye。在手眼标定完成后，BaseInCamPose可以用在机械收抓取的应用中了，这个只需要使用算子get_calib_data即可应用手眼标
前言像素灰度值仅仅反映了像素灰度级的幅值大小，并没有反映出像素与邻域的空间相关信息。二维灰度直方图的概念二维灰度直方图：像素的灰度值分布和邻域的平均灰度值分布构成的二维直方图二维直方图的值N(i,j) 。其中，i=f(x,y) 图像(x,y)的灰度值。j=g(x,y) 图像(x,y)位置邻域的平均灰度值。对于一幅MxN大小的灰度图像可以利用像素点的灰度值和其邻域平均灰度值组成的二元组(i,j)来表示图像。若设二元组(i j)出现的频数为Ω;则相应的联合概率密度p(i,j)为:p(i,j)=Ω/(
阈值分割引言C#阈值分割有非常多的算法，大体上分为全局和局部算法。
全局算法包括全局固定阈值和基于图像直方图的阈值，局部算法包括局部动态阈值分割。
基于图像直方图阈值分割的方法也有很多，比如常规的高斯滤波双峰法，OTSU大津法。
但是这类所有的法都基于一个假设：图像是有前景和背景的，待分割目标处于背景中，即图像直方图是双峰的。
如果因为非均匀光照导致待分割目标不处于背景或前景中，即图像直方图无双峰，
那么基于图像直方图的所有法都是不甚理想的
只能在此基础上进行一定的变换，例如nbl算
模糊测量是对标准测量的一种扩展，并不意味着测量是“模糊的”，而是用模糊隶属函数来控制边缘的选择。所谓的模糊隶属函数，就是将边缘的特征值转换为隶属度值，基于这些隶属值做出是否选择边缘的决定，即当隶属值大于你设定模糊阈值时，边缘就会被选中，反之则反。这种方法的优点是即使使用很低的最小阈值或平滑，也能灵活处理额外的边缘。举个简单的例子方便理解： 比如在测量开关引脚之间的宽度和距离时，引脚可能会有反射（左图），直接用一维测量会产生错误的结果