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。在halcon中，有“特征直方图”。其中“特征”下拉列表中有一些项目，它根据你选择的对象是region还是xld而有不同的项目。对于region来讲，这些特征项目分为两类：region_features和gray_features，即region特征和灰度特征。下面的两个算子可以取这上面两类特征：region_features(Regions : : Featu
set_dl_model_param名称set_dl_model_param —设置深度学习模型的参数。签名set_dl_model_param( : : DLModelHandle, GenParamName, GenParamValue : )描述set_dl_model_param将深度学习模型的参数和超参数设置 为值。 GenParamName DLModelHandle GenParamValue
无纺布折痕检测（3）· 基于灰度投影的折痕检测 https://www.skcircle.com/?id=1279频率域滤波基础之一 https://www.skcircle.com/?id=330基于二次曲面拟合的脏污检测 https://www.skcircle.com/?id=1274视觉进阶：阈值分割函数总结 https://www.skcircle.com/?id=683Hal
(一）Wrong number of values of control parameter 2(HALCON错误代码:1402)这种错误发生算子add_sample_class_mlp中。其原因是你现在的图片计算出来的FeatureVector和之前添加的FeatureVector大小不一致。这是因为训练图片的尺寸大小不致造成的。如下图所示，哪怕是你的图像大小差一行像素，也会造成FeatureVector的大小不同。当然，这也要看你的FeatureVector的算法产生的数据是什么样了。也许有
灰度共生矩阵灰度共生矩阵定义为像素对的联合分布概率，是一个对称矩阵，它不仅反映图像灰度在相邻的方向、相邻间隔、变化幅度的综合信息，但也反映了相同的灰度级像素之间的位置分布特征，是计算纹理特征的基础。设f(x,y)为一幅数字图像，其大小为M×N，灰度级别为Ng，则满足一定空间关系的灰度共生矩阵为：其中#(x)表示集合x中的元素个数，显然P为Ng×Ng的矩阵，若(x1,y1)与(x2,y2)间距离为d,两者与坐标横轴的夹角为θ，则可以得到各种间距及角度的灰度共生矩阵(i,j,d,θ)。其中元素(i,
模型说明图a）代表的是标准的CNN结构图b）代表的是带孔卷积dilated convolutions图c）代表的是RefineNet的思路每一个小模块是一个RefineNet融合了不同尺度下的RefineNet结果最终upsample到原图的1/4大小每一个RefineNet是多个残差模块作为输入RefineNet-4的filter个数为512其他残差模块的filter个数为256每一个基础模型中的输出，进行两次残差计算RCU模块每一个RCU输出结果，都经过Multi-resolution Fu
随着Halcon新版本的更新，截止2019年5月1号。Halcon的最新版本为halcon18.11.这次新版本最大的更新在于完整的加入了深度学习在视觉应用的三个重要部分，即目标分类分类、目标检测、语义分割这三个内容。与此同时超人视觉即将向大家简介Halcon软件这三个方向的应用示例，帮助大家进一步认识到机器视觉的魅力与当前的机器视觉技术的应用前沿。在开始内容前我们先明确一下前面提到的三个重要概念即深度学习下的分类，目标检测、语义分割这三个方向具体的概念及其应用场景是什么？帮助大家理解其技术的产
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的深度学习只做3件事，即“分类”，“对象检测”，“分割”。下面是“对象检测”的例子。这个例子是检测香烟的品牌。下图是训练完成后实际检测的效果。训练时注意下面几个问题：（一）图像宽高要求：1.图像宽高需是64的整数倍；2.最好在图像标注之前，就对图像缩放或裁剪至合适宽高；3.如果已在不符合要求的图像上完成标注，那么需要把图像扩充至合适宽高；避免单纯对图像进行缩放或裁剪，导致图像与标注坐标不一致影响标注准确性；（二）深度学习对gpu的要求深度学习在训练阶段需要使用gpu，推理阶段可以使用
近几年来，深度学习的研究和应用的热潮持续高涨，各种开源深度学习框架层出不穷，包括TensorFlow，Keras，MXNet，PyTorch，CNTK，Theano，Caffe，DeepLearning4，Lasagne，Neon，等等。Google，Microsoft等商业巨头都加入了这场深度学习框架大战，当下最主流的框架当属TensorFlow，Keras，MXNet，PyTorch，接下来我对这四种主流的深度学习框架从几个不同的方面进行简单的对比。一、 简介TensorFlow：Tenso