halcon19.11深度学习关于分类入门案例

关注

VIP免费原创最新推荐文章于 2026-09-18 13:32:49 发布 4.9k 阅读 AI 写同款· GEO 优化 ›

Halcon 深度学习分类之工业缺陷检测前言上两篇文章分别介绍了Halcon深度学习的框架，例子的详细分析，以及在Mnist上的应用等。通过这两个例子的上手，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：产品真实图像不方便展示，敬请谅解。制作自己的训练样本要想训练网络，首先得制作自己的数据集。水果分类中一共阅读详情

halcon19.11深度学习分类

关于配置环境

首先，如果你想使用halcon19.11学习深度学习，那么请保证你的电脑拥有独立显卡，关于配置的要求和如何进行配置，请参考这篇博文，传送门。

准备训练集

halcon准备训练集比较简单，只需要用户将自己分好类的图片放在不同的文件夹，每一类放入一个文件夹，文件夹的名字就是该类图片的类名。然后用代码进行处理即可。

我在D:/lixinze/halcon深度学习目录下放了两类图片，分别是D:/lixinze/halcon/huolong D:/lixinze/halcon/miaowa 博主分类的是数码宝贝图片。

huolong文件夹下存放的全是火龙的图片，miaowa文件夹下存放的全是妙蛙种子的图片。所有图片必须是3通道图片。

dev_update_off ()
*存放分类图片的上一级路径
RawImageFolder := 'D:/lixinze/halcon深度学习/'
*存放预处理数据的总路径
ExampleDataDir:= 'D:/lixinze/halcon深度学习/class_data'
*存放预处理数据的二级路径
DataDirectoryBaseName := ExampleDataDir + '/dldataset_pokeman'
*默认参数,用来预处理数据集的
LabelSource := 'last_folder'
* 
*分割数据集的百分比。
*训练集
TrainingPercent := 70
*验证集
ValidationPercent := 15
* 
* 用户想要输入的图像大小，可更改
ImageWidth := 900
ImageHeight := 500
ImageNumChannels := 3
* 
*用于图像预处理的其他参数。
NormalizationType := 'none'
DomainHandling := 'full_domain'
* 
*为了获得可复制的分割，我们设置了一个随机种子。
*这意味着重新运行脚本将导致DLDataset的相同拆分。
SeedRand := 42
*设置随机种子。
set_system ('seed_rand', SeedRand)
* 
*使用过程read_dl_dataset_classification读取数据集。
*或者，您可以使用read_dict（）读取由MVTec深度学习工具创建的DLDataset字典。
read_dl_dataset_classification (RawImageFolder, LabelSource, DLDataset)
*分割数据集
split_dl_dataset (DLDataset, TrainingPercent, ValidationPercent, [])
*创建输出目录（如果尚不存在）。
file_exists (ExampleDataDir, FileExists)
if (not FileExists)
    make_dir (ExampleDataDir)
endif
* 
*创建预处理参数。
create_dl_preprocess_param ('classification', ImageWidth, ImageHeight, ImageNumChannels, -127, 128, NormalizationType, DomainHandling, [], [], [], [], DLPreprocessParam)
* 
*数据集目录，用于由preprocess_dl_dataset编写的任何输出。
DataDirectory := DataDirectoryBaseName + '_' + ImageWidth + 'x' + ImageHeight
* 
*预处理数据集。 这可能需要几秒钟。
create_dict (GenParam)
set_dict_tuple (GenParam, 'overwrite_files', true)
preprocess_dl_dataset (DLDataset, DataDirectory, DLPreprocessParam, GenParam, DLDatasetFileName)
* 
*单独存储预处理参数以便使用，例如 在推论过程中。
PreprocessParamFileBaseName := DataDirectory + '/dl_preprocess_param.hdict'
write_dict (DLPreprocessParam, PreprocessParamFileBaseName,